十行代码就能搞定深度学习？飞桨框架高层API，一起轻松玩转AI
2024/12/15
高层 API，What 深度学习作为人工智能时代的核心技术，近年来无论学术、还是工业领域，均发挥着愈加重要的作用。然而，深度学习理论太难学，开发过程太复杂，又将许多人拒之于深度学习的门外。为了简化深度学习的学习过程、降低深度学习的开...
使用 tRPC 和 Deno 构建类型安全的 API
【API开发】
Deno 是一个一体化、零配置的工具链，用于编写 JavaScript 和 TypeScript，并且原生支持 Web 平台 API，这使得它成为快速构建后端和 API 的理想选择。为了使我们的 API 更易于维护，我们可以使用 tRPC，...
2024/12/15
利用腾讯云轻量应用服务器构建后端API，轻松打造PDF转Word的小程序工具
【API产品】
大家日常工作当中有时候需要把Excel转换为pdf打印或者转换为图片进行分享，目前有许多在线工具，不过大部分都是需要看激励广告或者收费才可以正常使用，今天给大家分享通过微信小程序自己搭建一个Excel转换工具，随时随地使用免受付费或者看广告...
2024/12/15
大规模分布式架构中，怎样设计和选择 API 限流技术？
【API设计】
一、为什么需要限流 我们为什么需要限流？相信你在设计所有系统的时候，都会首先问自己这样一个问题。API 限流需要解决的问题 之所以会有限流这个问题，是因为我们生活在一个资源有限的社会当中，当资源供不应求的时候，就会引发一...
2024/12/15
LLM之RAG实战（三十）| 探索RAG语义分块策略
【AI驱动】
在LLM之RAG实战（二十九）| 探索RAG PDF解析解析文档后，我们可以获得结构化或半结构化的数据。现在的主要任务是将它们分解成更小的块来提取详细的特征，然后嵌入这些特征来表示它们的语义，其在RAG中的位置如图1所示： ...
2024/12/14
LLM之RAG实战（二十四）| LlamaIndex高级检索（三）：句子窗口检索
【AI驱动】
这是本系列关于高级检索技术的第三篇文章，之前的两篇分别介绍构建基本的RAG和父文档检索技术，本文我们将深入研究句子窗口检索技术。我将介绍如何设置它，并使用TruEval来测量其性能，并将其性能与我们在前几篇文章中介绍的其他技术进行比较。 ...
2024/12/14
LLM之RAG实战（三十五）| 使用LangChain的3种query扩展来优化RAG
【AI驱动】
RAG有时无法从矢量数据库中检索到正确的文档。比如我们问如下问题： 从1980年到1990年，国际象棋的规则是什么？ RAG在矢量数据库中进行相似性搜索，来查询与国际象棋规则问题相关的相关文档。然而，在某些情况下...
2024/12/14
LLM之RAG实战（二十二）| LlamaIndex 高级搜索（一）构建完整的基本 RAG 框架（包括 RAG 评估）
【AI驱动】
在RAG（retrieval Augmented Generation，检索增强生成）系统中，检索到文本的质量对大型语言模型生成响应的质量是非常重要的。检索到的与回答用户查询相关的文本质量越高，你的答案就越有根据和相关性，也更容易防止LLM...
2024/12/14
LLM之RAG实战（三十九）| 高级RAG技术全面解析
【AI驱动】
一、高级RAG概述 基本 RAG 的工作流程可分为三个步骤：索引、检索和生成。在索引阶段，文本被转换为嵌入，然后存储在向量数据库中以创建可搜索的索引。在检索步骤中，用户的查询也被转...
2024/12/14
LLM之RAG实战（三十七）| 高级RAG从理论到LlamaIndex实现
【AI驱动】
论文《Retrieval-Augmented Generation for Large Language Models: A Survey》对检索增强生成（RAG）总结了如下三种方式： Naive RAG 高级RAG 模...
2024/12/14
LLM之RAG实战（二十一）| 使用LlamaIndex的Text2SQL和RAG的功能分析产品评论
【API开发】
亚马逊和沃尔玛等电子商务平台上每天都有大量的产品评论，这些评论是反映消费者对产品情绪的关键接触点。但是，企业如何从庞大的数据库获得有意义的见解？ 我们可以使用LlamaIndex将SQL与RAG（Retrieval Augme...
2024/12/14
LLM之RAG实战（三十一）| 探索RAG重排序
【AI驱动】
重新排序在检索增强生成（RAG）过程中起着至关重要的作用。在naive RAG方法中，可以检索大量上下文，但并非所有上下文都与问题相关。重新排序允许对文档进行重新排序和过滤，将相关文档放在最前面，从而提高RAG的有效性。 ...
2024/12/14
LLM之RAG实战（三十六）| 使用LangChain实现多模态RAG
【AI驱动】
我们之前介绍的RAG，更多的是使用输入text来查询相关文档。在某些情况下，信息可以出现在图像或者表格中，然而，之前的RAG则无法检测到其中的内容。 针对上述情况，我们可以使用多模态大模型来解决，比如GPT-4-Visio...
2024/12/14
LLM之RAG实战（二十九）| 探索RAG PDF解析
【日积月累】
对于RAG来说，从文档中提取信息是一种不可避免的场景，确保从源文件中提取出有效的内容对于提高最终输出的质量至关重要。 文件解析过程在RAG中的位置如图1所示： 在实...
2024/12/14
LLM之RAG实战（二十五）| 使用LlamaIndex和BM25重排序实践
【AI驱动】
本文，我们将研究高级RAG方法的中的重排序优化方法以及其与普通RAG相比的关键差异。 一、什么是RAG？ 检索增强生成（RAG）是一种复杂的自然语言处理方法，它包括两个不同的步骤：信息检...
2024/12/14
LLM之RAG实战（三十三）| 探索RAG在Table的应用
【AI驱动】
实现RAG是一个挑战，尤其是在有效解析和理解非结构化文档中的表格时，对于扫描的文档或图像格式的文档来说尤其困难。这些挑战至少有三个方面： 扫描文档或图像文档的复杂性，如其多元化的结构、非文本元素以及手写和打印内容的组合，这给...
2024/12/14
搜索文章
热门话题
文章精选
