在这篇文章中，我们研究了Nippon Life India Asset Management Limited采用的解决方案，该解决方案通过重写用户查询，汇总和重新响应来提高响应的准确性（NAIVE）抹布方法。所提出的解决方案使用增强的抹布方法，例如重新骑行来提高整体精度
组织正在采用大型语言模型（LLM），例如DeepSeek R1，以改变业务流程，增强客户体验并以前所未有的速度推动创新。但是，独立的LLM具有关键的局限性，例如幻觉，过时的知识和无法获得专有数据的访问。检索增强发电（RAG）通过将语义搜索与生成AI相结合，[…]
Hitchhiker’s Guide to RAG: From Tiny Files to Tolstoy with OpenAI’s API and LangChain
将简单的RAG管道从简单的笔记缩放到完整的书籍《邮政杂乱的抹布指南：从微小的文件到托尔斯泰》，其中openai的API和Langchain首先出现在数据科学上。
在这篇文章中，我们展示了如何使用Amazon OpenSearch服务作为矢量存储来构建有效的RAG应用程序。
Hitchhiker’s Guide to RAG with ChatGPT API and LangChain
使用您的本地文件作为上下文建立一个简单的Python Rag管道，该上下文是Hitchhiker的抹布指南与Chatgpt API和Langchain的抹布，首先出现在数据科学上。
How to Train a Chatbot Using RAG and Custom Data
通过Llamathe Post如何使用抹布和自定义数据训练聊天机器人，首先出现在数据科学方面。
Just AI запускает Jay Knowledge Hub — PaaS-платформу для быстрого создания RAG-систем
基于Genai AIF的解决方案的开发人员宣布发布Jay知识中心-A云PAAS平台，以快速创建和部署智能的RAG搜索系统。新解决方案提供了来自任何格式的数据，混合语义搜索，对本地基础架构的支持以及与公司系统集成的支持。
Agentic RAG Is The Next Step in Smarter Enterprise AI
想象一下，请您的企业AI比较两种产品，而不是等待笨拙，分步的响应，而是会得到一个感觉像魔术的闪电般快速的，点对点的答案。
Why You Need RAG to Stay Relevant as a Data Scientist
检索型发电（RAG）如何降低LLM的成本，最大程度地减少幻觉，并使您在AI时代可就业。
Agentic RAG Applications: Company Knowledge Slack Agents
使用LlamainDex和Modalth The Post Agentic Rag应用程序学习的教训：公司知识懈怠的代理首先出现在数据科学方面。
在这篇文章中，我们演示了使用LlamainDex框架构建代理RAG应用程序的示例。 LlamainDex是将FMS连接到外部数据源的框架。它有助于从数据库，API，PDF等摄入，结构和检索信息，从而使代理和抹布适合AI应用程序。该应用程序用作研究工具，使用亚马逊基岩上的Mistral大2 FM产生对代理流量的响应。
Detect hallucinations for RAG-based systems
这篇文章将为您介绍如何为基于抹布的应用创建基本的幻觉检测系统。我们还根据准确性，精确度，召回和成本来权衡不同方法的利弊。
Model customization, RAG, or both: A case study with Amazon Nova
引入Amazon Nova模型代表了AI领域的重大进步，为大语言模型（LLM）优化提供了新的机会。在这篇文章中，我们演示了如何有效地执行模型自定义和用亚马逊NOVA模型作为基线。我们使用最新的Amazon Nova模型进行了模型定制和抹布之间的全面比较研究，并共享这些有价值的见解。
Evaluate models or RAG systems using Amazon Bedrock Evaluations – Now generally available
今天，我们很高兴地宣布亚马逊基岩评估中这些评估功能的总体可用性，以及使它们完全不合时宜的重大增强功能。在这篇文章中，我们详细探讨了这些新功能，向您展示了如何通过实例来评估抹布系统和模型。我们演示了如何利用比较功能对不同的实现进行基准测试，并就您的AI部署做出数据驱动的决策。
Exploring the Role of Smaller LMs in Augmenting RAG Systems
让我们发现哪些小语言模型（SLM）是什么，如何在抹布系统和应用中使用它们，以及何时将它们用于大型语言。
Evaluating RAG applications with Amazon Bedrock knowledge base evaluation
这篇文章着重于使用亚马逊基础知识库的抹布评估，提供了一个指南来设置该功能，讨论在评估提示和响应时考虑的细微差别，并最终讨论了最佳实践。到这篇文章结束时，您将了解最新的亚马逊基础评估功能如何简化您的AI质量保证方法，从而更加有效，自信地开发RAG应用程序。
