chaors

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？

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

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

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。

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。

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）。

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。

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。

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。