首页
AI Coding
NEW
沸点
课程
直播
活动
AI刷题
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
会员
登录
注册
舒一笑不秃头
掘友等级
GenAI 应用工程师
生成式AI应用工程师(高级)认证 阿里云博客专家 Java应用开发职业技能等级认证 云卷云舒 学无止境 焕然一新 公众号:舒一笑的架构笔记 个人博客:www.shuyixiao.cloud
获得徽章 5
动态
文章
专栏
沸点
收藏集
关注
作品
赞
15
文章 14
沸点 1
赞
15
返回
|
搜索文章
最新
热门
n8n汉化部署一篇搞定
制作汉化打包dockerfile 需要注意的点是下面选择具体的汉化依赖需要和源镜像版本匹配不然打包之后运行访问不 执行打包命令 重命名标签之后推送私服部署 效果展示 参考资料 https://blog
基础RAG实现,最佳入门选择(十二)
自适应检索助力增强型RAG系统 实现一个自适应检索系统,该系统可根据查询类型动态选择最合适的检索策略。这种方法显著提升RAG系统针对各种不同问题提供准确且相关回复的能力。 不同的问题需要不同的检索策略
工作流引擎技术方案<第一版>
现流行AI工作流引擎技术方案与实现方式调研 n8n 前端技术栈 核心流程图库:Vue Flow 图形布局引擎:Dagre 拖拽功能:Vuedraggable n8n 的流程图绘制技术栈是: Vue F
工作流引擎技术方案<初版>
现流行AI工作流引擎技术方案与实现方式调研 n8n 前端技术栈 核心流程图库:Vue Flow 图形布局引擎:Dagre 拖拽功能:Vuedraggable n8n 的流程图绘制技术栈是: Vue F
基础RAG实现,最佳入门选择(十一)
RAG中的反馈循环 实现一个带有反馈循环机制的RAG系统,该机制随着时间的推移不断改进。通过收集和整合用户反馈,系统学会了在每次交互中提供更相关和更高质量的响应。传统的RAG系统是静态的——它们仅基于
基础RAG实现,最佳入门选择(十)
RAG系统的上下文压缩 在为RAG检索文档时,经常会得到包含相关和不相关信息的块。上下文压缩帮助我们: -删除不相关的句子和段落 -只关注与查询相关的信息 -最大化我们上下文窗口中的有用信号 具体代码
基础RAG实现,最佳入门选择(九)
RAG的相关段提取(RSE) 关键概念 相关的块往往在文档中聚集在一起。通过识别这些集群并保持它们的连续性,我们为LLM提供了更连贯的上下文来使用。 在RSE(Relevant Segment Ext
工作流会使用到Webhook是什么
什么是 Webhook? Webhook 是一种事件驱动的轻量级通信,可通过 HTTP 在应用之间自动发送数据。Webhook 由特定事件触发,可自动实现 应用编程接口(API)之间的通信,并可用于激
基础RAG实现,最佳入门选择(八)
RAG重排序 RAG重排序技术以提高RAG系统中的检索质量。重新排序充当初始检索后的第二个过滤步骤,以确保最相关的内容用于响应生成。 重排序的关键概念 1.初始检索:使用基本相似度搜索的第一遍(准确度
基础RAG实现,最佳入门选择(七)
增强型RAG系统的查询转换 采用三种查询转换技术,以提高RAG系统中的检索性能,而无需依赖于像LangChain这样的专门库。通过修改用户查询,我们可以显著提高检索信息的相关性和全面性。 关键转换技术
下一页
个人成就
文章被点赞
52
文章被阅读
35,112
掘力值
2,402
关注了
29
关注者
27
收藏集
0
关注标签
5
加入于
2021-03-30