标签
#rag
11 篇文章
tools
面向 AI 的文档解析：PDF、表格，以及那些乱糟糟的剩余部分
在模型能对你的文档进行推理之前，必须有什么东西先把它们变成干净的文本。这个不起眼的步骤悄悄决定了下游的一切。
#document-parsing#pdf#data-extraction
06-16 11:01·7 分钟
research
从第一性原理理解检索增强生成（RAG）
RAG 常被讲成一堆工具的堆叠。把那些剥掉，它就是一个简单的想法：让模型在回答之前先读到正确的材料。下面讲清楚它究竟如何运作。
#rag#retrieval#embeddings
06-12 14:40·7 分钟
tools
为你的项目选择嵌入模型
挑选嵌入模型，与其说关乎排行榜，不如说关乎契合。这是真正决定检索能否在你的数据和预算下奏效的东西。
#embeddings#retrieval#rag
06-09 12:22·7 分钟
use-cases
真正管用的文档问答：模式与陷阱
对着自己的文档提问，是最有用的 AI 演示，也是最容易在不知不觉中做错的一个。这里是那些能在真实使用中存活下来的模式。
#document-qa#rag#retrieval
05-20 19:40·7 分钟
tools
抛开炒作看向量数据库：它到底做什么，以及你何时真正需要它
向量数据库一夜之间成了流行词。本文谈它到底做什么、它解决什么问题，以及那些诚实的信号——告诉你究竟需不需要一个。
#vector-database#embeddings#semantic-search
05-19 14:20·7 分钟
tutorials
为 AI 回答添加引用
引用能把一个无法验证的回答变成可核查的回答。本文讲解如何让模型引用来源，并且诚实地引用。
#citations#grounding#rag
05-13 17:25·7 分钟
tutorials
为检索把文档切好块
检索的好坏取决于它的块。这是如何切分文档，让正确的段落能完整、带着上下文地被取回。
#chunking#retrieval#rag
04-29 19:38·7 分钟
tutorials
搭建一条简单的 RAG 流水线：概念走查
把检索增强生成一段一段地搭起来。没有魔法，不绑定具体技术栈——只讲流水线的形态和那些真正要紧的决策。
#rag#retrieval#embeddings
04-25 19:17·7 分钟
research
微调、RAG 还是提示词：一份决策指南
让模型按你的意愿行事有三种方法——而多数团队上来就选了最重的那一个。本文告诉你如何按正确顺序做选择。
#fine-tuning#rag#prompting
04-20 10:42·7 分钟
use-cases
公司内部的 AI 搜索：现实版本
提个问题，从你所有的内部文档里得到答案。演示像魔法。这里讲的是，一旦真实的数据和真实的权限到来，是什么让它变难。
#enterprise-search#rag#knowledge-management
04-10 17:44·7 分钟
use-cases
把 LLM 用于客户支持：最先崩的是什么
支持聊天机器人是最容易做出来的 AI 演示，却是最难真正运转好的系统之一。本文讲清真实部署在哪里崩溃——以及能存活下来的系统靠的是什么。
#customer-support#deployment#rag
04-02 12:31·7 分钟