80 分危机，把一群程序员推上神坛。最近知乎上突然爆火的一个词：大模型善后工程师。 看起来有点好笑，但越想越扎心： 更扎心的是： 从 0 → 80 分，只需要一句 prompt。 但从 80 →

GitHub 上爆火的 OCR 神器，已收获 55k Star、5.9k 使用！究竟凭什么被称为文字识别利器？点进来看看答案吧～

当前的检索增强生成（RAG）技术在实际应用中面临若干挑战。传统的RAG采用基于向量的扁平化数据表示，难以有效建模实体之间的复杂语义关系，导致在处理复杂领域知识时检索精度不足。

本文将介绍如何通过 AnythingLLM 与 Ollama 结合，搭建一个具备私有知识库能力的 AI 应用。

## 当知识图谱遇上RAG：GraphRAG全解指南 > **传统RAG是碎片拼图，GraphRA

前言 文接上回，GraphRAG的发布在技术界引起了轩然大波，业内大佬纷纷开始入局研究，其中就包括了neo4j的CTO Philip Rathle 。他的一篇文章讲述了GraphRAG在GenAI领域

实战微软新一代RAG：GraphRAG 本月初，微软发布最强 RAG知识库，开源方案 GraphRAG，项目上线即爆火，现在星标量已经达到 12.1 k。 其意义在于，它能提升LLM的应答速度与品质，

本文通过一个简单的案例，带你快速上手 `GraphRAG`，希望给饱受传统 RAG 困扰的小伙伴一点启发。

RAG（Retrieval Argumented Generation）这种基于特定任务/问题的文档检索范式中，我们通常先收集必要的上下文，然后利用具有认知能力的机器学习模型进行上下文学习（in-co