使用NestJS和Prisma构建REST API
2024/12/06
在本教程中，您将学习如何为一个名为“Median”（一个简单的Medium克隆版博客应用）构建后端REST API。您将从创建一个新的NestJS项目开始。然后，您将启动自己的PostgreSQL服务器，并利用Prisma与之建立连接。最后，您将构建REST API并使用Swagger进行文档记录。
使用TypeScript、PostgreSQL与Prisma构建后端：数据建模与CRUD 操作
【技术杂货铺】
本文是有关使用 TypeScript、PostgreSQL 和 Prisma 构建后端的一系列直播课程和文章的一部分。在本文中，我们将回顾首次直播课程的内容，深入了解如何使用 Prisma 来设计数据模型、执行 CRUD（创建、读取、更新、删除）操作以及实现聚合查询。
2024/12/06
RESTful API 为何成为顶流 API 架构风格？
【API设计】
万物互联的世界充满着各式各样的 API ，如何统筹规范 API 至关重要。RESTful API 是目前世界上最流行的 API 架构风格之一，它可以帮助你实现客户端与服务端关注点分离，让前后端各自迭代，提升管理效率；其无状态的特性可以让应用...
2024/12/06
API 网关日志的价值，你了解多少？
【API安全】
网关日志的价值 在数字化时代，软件架构随着业务成长而变得越来越复杂，这给故障的发现和排查都带来了非常大的挑战，进一步倒逼软件重视自身的可观测性能力。 而日志被称为可观测性的三大支柱之一，它可以帮助系统管理员和开发人员了解系统的运行状...
2024/12/06
微服务为什么要用到 API 网关？
【API安全】
随着微服务的数据越来越多，API 的数量也越来越多，对于大流量的治理，选择一个优秀的 API 网关是至关重要的。本文列举了常见网关，并进行对比，列出各自的优缺点，如果你正在做 API 网关的技术选型，或者你的微服务系统出现了性能问题，再或者...
2024/12/06
FastAPI:高效的Python Web框架的库
【AI驱动】
1. 为啥选FastAPI？ 写过Django或Flask的都知道，这俩框架各有各的好。但FastAPI借鉴了它们的优点，还加入了很多现代特性。它基于Python 3.6+的类型提示功能，写代码时编辑器直接就能提示哪里写错了，不用等到...
2024/12/06
LLM之RAG理论（十二）| RAG和Graph RAG对比
【AI驱动】
最近Graph RAG非常火，它来自微软的一篇论文《From Local to Global: A Graph RAG Approach to Query-Focused Summarization》，论文地址： 和...
2024/12/06
LLM之RAG理论（十一）| 面向生产的RAG应用程序的12种调整策略指南
【AI驱动】
本文对文本RAG涉及到的主要12种关键“超参数”进行简单总结，主要包括摄取阶段（数据清洗、数据分块、embedding模型选择、元数据过滤、多重索引和索引算法）和推理阶段【检索和生成】（查询转换、检索参数、高级检索策略、重排序、大模型和Pr...
2024/12/06
LLM之RAG理论（十）| RAT：一种协同CoT和RAG的 AI 提示策略，助力解决长任务推理和生成
【AI驱动】
论文地址： Github地址： Demo地址： 北京大学、加州大学洛杉矶分校和北京通用人工智能研究院的研究人员探索如何在信息检索的帮助下迭代修改思想链提高大型语言模型在长生成任务中的推理和生成能力，同时极大地减轻幻觉。特...
2024/12/06
LLM之RAG理论（九）| 如何在LLM应用程序中提高RAG结果：从基础到高级
【AI驱动】
如果你正在用LLM（大型语言模型）构建产品或者功能，你可能会使用一种名为RAG（检索增强生成）的技术。RAG允许用户将LLM的训练数据中不可用的外部数据集成到LLM的文本生成过程中，这可以大大减少幻觉的产生，并提高文本响应的相关性。 ...
2024/12/06
LLM之RAG理论（八）| 提高RAG性能的9种技术
【AI驱动】
2023年是迄今为止NLP发展最快的一年。这年，ChatGPT与许多其他大型语言模型层出不穷，包括开源的和闭源的。 与此同时，各个行业对个性化和全面运营的RAG的需求也在飙升，每个客户都渴望拥有自己的量身定制...
2024/12/06
LLM之RAG理论（七）| 高提升RAG检索的四种方法
【AI驱动】
RAG两大核心组件：检索和生成。本文将总结四种提高RAG系统检索质量的技术：1）子问题查询引擎（来自LlamaIndex），2）RAG-Fusion、3）RAG-end2end和4）著名的LoRA技巧。 一、LLM对问题进...
2024/12/06
LLM之RAG理论（六）| 高级RAG指南和技巧
【AI驱动】
一、基本RAG介绍 基本RAG需要从外部知识数据库中获取文档，然后，将这些文档与用户的查询一起被传输到LLM，用于生成响应。从本质上讲，RAG包括一个检索组件、一个外部知识数据库和一个生成组件。 在基本的R...
2024/12/06
LLM之RAG理论（五）| 使用知识图谱增强RAG
【AI驱动】
知识图谱（KG）或任何图都包括节点和边，其中每个节点表示一个概念，每个边表示一对概念之间的关系。本文介绍一种将任何文本语料库转换为知识图谱的技术，本文演示的知识图谱可以替换其他专业知识图谱。 一、知识图谱 ...
2024/12/06
LLM之RAG理论（四）| RAG高级数据索引技术
【AI驱动】
本文将重新审视分块技术以及其他方法，包括查询增强、层次结构和知识图谱。 一、简单RAG架构快速概览 在2023年年初，我的主要关注点集中在Vector DB及其在更广泛的设计领域中的表现上。...
2024/12/06
LLM之RAG理论（三）| 高级RAG技术全面汇总
【AI驱动】
检索增强生成（Retrieval-Augmented Generation，又称RAG）通过检索LLMs之外的数据源来支持其生成答案。RAG=搜索+LLM提示，根据用户的查询要求，LLMs会使用搜索算法从外部数据源获取上下文信息，最后，查询...
2024/12/06
热门话题
