Multimodal RAG Implementation with Hugging Face
了解如何通过使用 Hugging Face Transformers 结合文本和视觉输入来增强 RAG 模型。
Multi-tenant RAG with Amazon Bedrock Knowledge Bases
组织不断寻求利用其专有知识和领域专业知识来获得竞争优势的方法。随着基础模型 (FM) 及其卓越的自然语言处理能力的出现，出现了一个释放其数据资产价值的新机会。随着组织努力使用 [...] 为客户提供个性化体验
How Twitch used agentic workflow with RAG on Amazon Bedrock to supercharge ad sales
在本文中，我们展示了我们如何创新地构建具有代理工作流和 Amazon Bedrock 上的知识库的检索增强生成 (RAG) 应用程序。我们在基于 Slack 聊天的助手中实施了 RAG 管道，以使 Amazon Twitch 广告销售团队能够快速抓住新的销售机会。
Deploy RAG applications on Amazon SageMaker JumpStart using FAISS
在本文中，我们展示了如何使用 Facebook AI 相似性搜索 (FAISS) 在 Amazon SageMaker JumpStart 上构建 RAG 应用程序。
How to Implement Agentic RAG Using LangChain: Part 2
了解如何使用实时信息检索和智能代理增强 LLM。
RAG Evolution – A Primer to Agentic RAG
什么是 RAG（检索增强生成）？检索增强生成 (RAG) 是一种将大型语言模型 (LLM) 的优势与外部数据检索相结合的技术，以提高生成的响应的质量和相关性。传统的 LLM 使用其预先训练的知识库，而 RAG 管道将在运行时查询外部数据库或文档并检索相关信息 […]文章 RAG 演变 - Agentic RAG 入门首先出现在 Unite.AI 上。
Streamline RAG applications with intelligent metadata filtering using Amazon Bedrock
在本文中，我们探索了一种创新方法，该方法使用 Amazon Bedrock 上的 LLM 智能地从自然语言查询中提取元数据过滤器。通过结合 LLM 函数调用和 Pydantic 数据模型的功能，您可以动态地从用户查询中提取元数据。这种方法还可以提高检索到的信息和 RAG 应用程序生成的响应的质量。
Unbundling the Graph in GraphRAG
生成式 AI 实践中经常遇到的一个术语是检索增强生成 (RAG)。使用 RAG 的原因很明显：大型语言模型 (LLM) 实际上是语法引擎，它们倾向于通过从训练数据中编造答案来“产生幻觉”。这些随机的结果可能很有趣，尽管并非完全基于事实。RAG 提供了一种方法 [...]
今天，我们很高兴地宣布 Amazon Bedrock 知识库和 Amazon OpenSearch Serverless 中推出了 Amazon Titan 文本嵌入 V2 的二进制嵌入。这篇文章总结了这种新的二进制向量支持的好处，并为您提供了入门信息。
From RAG to fabric: Lessons learned from building real-world RAGs at GenAIIC – Part 2
本博文重点介绍如何在异构数据格式上执行 RAG。我们首先介绍路由器，以及它们如何帮助管理不同的数据源。然后，我们给出如何处理表格数据的提示，最后介绍多模式 RAG，特别关注处理文本和图像数据的解决方案。
How to Implement a Basic Reranking System in RAG
一个实用指南，可轻松实现一个能够在 RAG 系统中整合多个文档评分标准的重新排序器
How to Query a Knowledge Graph with LLMs Using gRAG
Google、Microsoft、LinkedIn 和许多其他科技公司都在使用 Graph RAG。为什么？让我们通过从头开始构建一个来理解它。继续阅读 Towards Data Science »
New Research Finds Sixteen Major Problems With RAG Systems, Including Perplexity
美国的一项最新研究发现，Perplexity 和 Bing Copilot 等流行的检索增强生成 (RAG) 研究系统的实际表现远远低于过去 12 个月中占据头条新闻的营销炒作和流行采用。该项目涉及广泛的调查参与，共有 21 人参与 […] 新研究发现 RAG 系统存在 16 个主要问题，包括 Perplexity 首次出现在 Unite.AI 上。
GraphRAG in Action: From Commercial Contracts to a Dynamic Q&A Agent
基于问题的提取方法在这篇博文中，我们介绍了一种利用图形检索增强生成 (GraphRAG) 方法的方法 — 以简化提取商业合同数据和构建问答代理的过程。这种方法与传统的 RAG（检索增强生成）不同，它强调数据提取的效率，而不是不加区分地分解和矢量化整个文档，这是主要的 RAG 方法。在传统的 RAG 中，每个文档都被分成块并进行矢量化以进行检索，这会导致大量不必要的数据被拆分、分块并存储在矢量索引中。然而，这里的重点是从每个合同中提取最相关的信息，以用于特定用例，即商业合同审查。然后将数据构建成知识图谱，该图谱组织关键实体和关系，从而允许通过 Cypher 查询和向量搜索进行更精确的图数据检索。
How to Create a RAG Evaluation Dataset From Documents
使用 LLM 自动创建任何语言的特定领域数据集继续阅读 Towards Data Science »
When to Go Out and When to Stay In: RAG vs. Fine-tuning
本文全面讨论了何时为您的 LLM 和潜在的混合解决方案选择哪种方法。
