首页
沸点
课程
数据标注
HOT
AI Coding
更多
直播
活动
APP
插件
直播
活动
APP
插件
搜索历史
清空
创作者中心
写文章
发沸点
写笔记
写代码
草稿箱
创作灵感
查看更多
登录
注册
AI学习手札
chaors
创建于2026-01-26
订阅专栏
AI学习手札
等 2 人订阅
共36篇文章
创建于2026-01-26
订阅专栏
默认顺序
默认顺序
最早发布
最新发布
从零学RAG0x0c:AdvancedRAG检索优化-混合检索
前言 前面讲了 AdvancedRAG 在检索前的各种优化,那么在检索时能做哪些优化呢?我们知道传统 RAG 采用向量相似度来检索。但是他有怎样的缺陷呢?
从零学RAG0x0b:AdvancedRAG查询优化-Multi-recall(多路召回)
前言 书接上文(AdvancedRAG预检索-查询优化(一)),我们继续一起学习 AdvancedRAG 预检索中查询优化最后一种常用的技术手段:Multi-recall(多路召回)。
从零学RAG0x0a:AdvancedRAG查询优化-问题丰富 & 问题拆解
前言 前面讲的都是基于索引的优化。那么用户的查询就没有问题吗?答案是肯定的。所以 AdvancedRAG 在检索前基于`query`也做了一定优化。今天主讲 问题丰富 和问题拆解。
从零学RAG0x09:AdvancedRAG假设性文档 & 元数据索引优化
前言 书接上文(AdvancedRAG预检索-索引优化(一)),我们继续一起学习 AdvancedRAG 预检索的索引优化。 主要是假设性答案索引 和 元数据索引
从零学RAG0x08:AdvancedRAG摘要索引 & 父子索引优化
前面讲了什么是 AdvancedRAG,以及简单讲了其较传统 RAG 的进步性。今天开始从代码层实战开始看看 AdvancedRAG 究竟依靠哪些技术实现了其先进性。主讲Advanc-预检索优化。
从零学RAG0x07:什么是AdvancedRAG?
Advanced RAG是一套针对传统RAG(常被称为Naive RAG)流程中多个薄弱环节进行系统性增强的工程范式。其核心目标是通过在“检索前”和“检索后”引入智能处理层,以构建一个更稳健准确的系统
从零学RAG0x06:传统RAG的痛点
前言 前面系统学习了 RAG 的基础用法。那么这些用法从 Demo 迁移到真实、复杂、高要求的企业级应用会有问题吗?
Langchain入门到精通0x0c:middleware
Middleware(中间件)是一种 钩子(Hook)机制,它允许你在核心调用链路(如向LLM发起请求、调用工具、处理输出)的特定阶段注入自定义逻辑,而无需修改核心 Agent 或工具的代码。
从零学RAG0x05实战应用:企业智能知识库
前言 前面基本学习了 RAG 的基础使用,也简单有两个小的实战。那么 RAG 技术在现实中究竟有哪些常用的应用场景呢? 这一篇我们就以一个实战项目来将之前学的 RAG 知识串联起来。
Langchain入门到精通0x08:摘要链(load_summarize_chain)
load_summarize_chain用于文档摘要的预构建解决方案,能够自动处理超出模型上下文长度的长文档。核心价值在于自动处理长文档分块、摘要策略选择和迭代优化,避免用户手动实现复杂的摘要流水线。
Langchain入门到精通0x07:基于Web网页的RAG实战
前言 在 Langchain-RAG中学习了RAG的整个流程。今天简单实现一个基于Langchain-RAG的Web网页摘要检索。 需求背景 我们在日常可能需要获取某个网页的核心摘要。
Langchain入门到精通0x0a:预置链
预制链 LangChain已经事先做好了很多LCEL链,今天,我们就简单看看几个常用的预置链及其使用。
Langchain入门到精通0x0b:天气小助手实战
前情 上一篇 讲了Langchain使用 Tool 的基本方法。今天就用一个实际小案例来回顾和巩固下Tool的使用。 我们现在实现一个这样的需求:向大模型查询某个地区的天气,返回天气情况。
Langchain入门到精通0x09:Tool & Function Calling
大模型的边界能力 我们先看看下面一段代码,AI大模型执行的结果是什么呢? AI居然不知道,是不是大跌眼镜呢?Langchain的Tool正式解决这个痛点的技术方案。
Langchain入门到精通0x06:RAG
我们知道 LangChain是一个用于构建由 LLM 提供支持的代理和应用程序的框架。Langchain中的 Data Connection模块正是对RAG流程的封装。
Langchain入门到精通0x04:大模型怎么记忆?
我们以往在使用豆包或者DeepSeek时,在一些长的上下文环境中AI模型是可以记住我们之前提供的一些信息的。那么,AI大模型是怎么记忆这些信息的。 我们先从一段简单的代码入手看看...
Langchain入门到精通0x03:Langchain的服务部署
那么我们的Langchain程序怎么才能被用户正常使用呢?也就是怎么把AI原型转化为企业级API?LangServe正是解决了这样一个非常具体的痛点:AI原型到生产服务的"最后一公里"问题。
Langchain入门到精通0x02:ICEL
LCEL (LangChain Expression Language)** :这是框架的**声明式组合语法**,解决“如何更优雅、更健壮地构建和调用上述链”的问题。
Langchain入门到精通0x01:结果解析器
Result Parser 上一篇 学习了什么是langchain和prompt templete。那么如何将大模型自由、非结构化的文本输出,转化为程序可稳定、高效处理的结构化数据?
从零学RAG0x04向量检索算法初探
提出问题 前面学习RAG时候调用向量检索来获取top_k相似度的向量块,那么内部究竟是怎么进行检索的?难道就是从零到N的暴力遍历吗?那么当向量块数据集达到上百亿的时候怎么办?
下一页