AI Agent开发第79课-一文看懂最前沿得高级RAG+设计是如何消灭AI幻觉的架构设计

已于 2025-06-05 14:25:48 修改
阅读量2.3k 收藏 13
点赞数 45
CC 4.0 BY-SA版权
分类专栏： AI Agent开发大全 文章标签： RAG 查询改写 提示语重写 高级RAG HYDE GRM 企业RAG
于 2025-03-03 21:17:50 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/lifetragedy/article/details/145994174
了解本专栏 订阅专栏 解锁全文 超级会员免费看
AI Agent开发大全第二十七课-用BGE Large ZH 获取向量以及重排序构建生产环境可用的Restful API的全代码讲解
打造全国最全的AI Agent开发知识领域的博客
03-09 1429
构建个人/企业知识库问答时的embedding以及重排序用什么好？官网的例子太简单，无法用于含有go, .net, java, python混合的异质架构环境中，如何构建restful API形式的embedding和重排序通用服务呢？此文带给你网上没有的全代码和核心代码导读。
百篇论文博文导航AI工程之路：FT、KG、RAG与Agent技术全方位探索
热门推荐
丨汀、的博客
07-08 1万+
百篇论文博文导航AI工程之路：FT、KG、RAG与Agent技术全方位探索
最全梳理：一文搞懂RAG技术的5种范式！
Datawhale
02-22 1700
Datawhale干货作者：张龙斐，Datawhale鲸英助教本文主要回顾 RAG 技术的发展，第一部分梳理了综述和关键论文，第二部分梳理了工程实践工具。　RAG检索增强生成技术自从出现以来经过了多轮范式迭代进展，尤其是随着近几年LLMs的广泛应用，2024年RAG技术呈现爆发态势，全年共计产生了一千篇以上的相关论文。在经过多轮范式迭代和技术进展后，RAG系统已经从最初的简单形态变得越来越复杂...
【DeepSeek论文精读】9. DeepSeek-GRM：推理时扩展的通用奖励建模
youcans的博客
04-07 1686
DeepSeek-AI 发表论文 "Inference-Time Scaling for Generalist Reward Modeling（推理时扩展的通用奖励模型）"，提出了一种 "自原则批判调优（SPCT）" 技术，使奖励模型在推理阶段能够动态扩展计算资源。本研究表明 “推理时扩展” 在通用 RM 中的有效性，性能超越训练时扩展。
程序员必学 RAG 技术：架构全景解析，从基础原理到落地进阶
最新发布
weixin_59191169的博客
09-22 987
程序员必学 RAG 技术：架构全景解析，从基础原理到落地进阶
DeepSeek-GRM 技术详解
qq128252的博客
05-21 1392
本文探讨了强化学习（RL）在大规模语言模型（LLMs）后训练中的应用，重点研究如何通过推理计算改进通用查询的奖励建模（RM）及其推理时扩展性，以及如何通过适当的学习方法提升性能-计算扩展的有效性。作者提出了一种点式生成奖励建模（GRM）方法，以适应不同输入类型并实现推理时扩展潜力，同时引入自原则批评调整（SPCT）学习方法，通过在线 RL 培养 GRM 的可扩展奖励生成行为，自适应生成原则并准确批评，形成了 DeepSeek-GRM 模型。此外，作者采用并行采样扩展计算使用，并引入元 RM 指导投票过程
模块化的RAG和RAG流程：第二部分
myboyliu2007的专栏
01-29 1305
定义了模块和运算符之后，它们可以帮助我们从流程角度查看各种RAG方法。每个RAG可以使用一组运算符进行排列。模块化RAG框架那么，在模块化RAG范式下，我们应该如何设计我们的RAG系统？在第二部分中，我们将深入探讨典型的RAG流程模式、具体的RAG流程实施以及最佳行业案例。典型的RAG流程模式和实施首先，让我们探索RAG流程的突出模式，以及每个模板下的具体流程，展示不同的模块和运算符是如何协调的。在RAG Flow的背景下，我们将为微调阶段划分三个不同的流程，并为推理阶段划分四个流程。
RAG 如何消除大模型幻觉
2401_82469710的博客
04-16 3545
解决大模型幻觉问题需要采取多种策略来提高生成模型在自然语言处理任务中的准确性和可靠性。
Coggle数据科学 | 小白学RAG：架构、策略和应用
csdn_xmj的博客
07-13 1395
大型语言模型（LLMs）在语言理解和生成方面展示了革命性的能力，但它们仍然面临着一些固有的局限性，比如幻觉和过时的内部知识。鉴于RAG在提供最新和有帮助的辅助信息方面的强大能力，检索增强型大型语言模型（Retrieval-Augmented Large Language Models, RA-LLMs）应运而生。RA-LLMs利用外部权威知识库，而不仅仅依赖模型的内部知识，来提高LLMs的生成质量。
AI Agent vs. Agentic AI | 一文带你了解：什么是AI Agent，什么是Agentic AI？
yinizhilianlove的博客
06-17 1152
一文带你了解Agentic AI
一文读懂！AI Agent、Agentic AI、Multi Agent Systems的区别与发展全解析
weixin_52610848的博客
07-16 1620
本文深入解析了AI Agent、Agentic AI和Multi Agent Systems三大人工智能概念的区别与发展趋势。AI Agent是基础的智能单元，具备自主性和任务专一性；Agentic AI代表更高阶的自主协作能力；Multi Agent Systems则是多个智能体的协同系统。文章预测未来这些技术将在智能制造、智慧城市等领域广泛应用，推动生产力飞跃，同时也面临就业结构变化、伦理隐私等挑战。最终，三种技术有望融合为"感知-决策-执行"闭环，使AI从工具升级为"数字
LLM RAG系统中消除数据幻觉的几个绝招-OPENAI公司内称的“大招”
打造全国最全的AI Agent开发知识领域的博客
03-10 2501
在RAG系统中最让人头疼的就是数据一多产生各种幻觉，明明embedding时带出了正确的数据，LLM在仲裁时就是选择一点错误的数据或者明明embedding时带出了正确的数据而LLM就是把它“吃掉、吞掉、不输出”。这就是我们说的“RAG系统的幻觉”。幻觉解决不好，直接影响到了系统的可落地性也就影响到了AI是否真正可以落地的可行型，目前90%以上LLM Agent在实施时因为幻觉最终fail、无果。本篇就讲述如何解决这些幻觉的“绝招”。这些招数在OPENAI内部也被称为大招。
（13-2）RAG基础知识介绍：RAG的架构
码农三叔
02-03 1855
因此，RAG的核心理念可以概括为“检索+生成”，前者利用向量数据库的高效存储和检索能力召回目标知识，后者则利用大型模型和Prompt引擎，将召回的知识合理应用，生成目标答案。在应用阶段，根据用户提问通过高效的检索方法召回与问题相关的知识，并将其融入到Prompt中，大型模型会参考用户提问和相关知识生成最终的答案。数据准备是RAG应用中的离线过程，旨在将私域数据转化为可检索的向量表示，并存储于数据库中，这个过程主要包括数据提取、文本分割、向量化和数据入库等环节。完整的RAG应用流程主要包含两个阶段。
一文读懂什么是RAG，如何搭建多模态RAG降低大模型幻觉
ZILLIZ
10-31 1361
大语言模型（LLM）能够执行各种自然语言任务，例如文本生成、语言翻译、文本摘要、问答等。然而，使用 LLM 的一个显著局限是 LLM 幻觉。幻觉是指由 LLM 生成的响应虽然看起来正确且一致，但实际并非完全准确的现象。如果您不是特定领域内的专家，很难发现 LLM 生成的回答是不准确的。本文将介绍一种减轻 LLM 幻觉的解决方案——检索增强生成（Retrieval-Augmented Generat...
7种RAG 架构及其核心组件概览
2401_85328934的博客
01-14 1357
Retrieval-Augmented Generation（RAG）架构正发挥着日益重要的作用。它通过在 AI 生成过程中引入外部知识检索，极大地提升了 AI 回答的准确性和全面性，从基础的文档查询逐步发展为多模态、多智能体协同的智能架构。本文将概览 RAG 架构从基础到高级的 7 种模式及其核心组件。
【AI大模型】RAG 架构图解：从基础到高级的7种模式
Gaga246的博客
12-17 3358
RAG 技术通过在 AI 生成过程中引入外部知识检索，从基础的文档查询发展到多模态、Multi-Agent 体协同的智能架构，让 AI 回答更准确、更全面
小白学RAG：架构、策略和应用
程序员鑫港的博客
07-17 1490
大型语言模型（LLMs）在语言理解和生成方面展示了革命性的能力，但它们仍然面临着一些固有的局限性，比如幻觉和过时的内部知识。鉴于RAG在提供最新和有帮助的辅助信息方面的强大能力，检索增强型大型语言模型（Retrieval-Augmented Large Language Models, RA-LLMs）应运而生。RA-LLMs利用外部权威知识库，而不仅仅依赖模型的内部知识，来提高LLMs的生成质量。
AI项目如何选型？一文详解25种RAG架构！看这一篇就够了！
youmaob的博客
07-02 1041
，面对25种不同的RAG类型，你该如何选择呢？今天，我们就来深入剖析这25种RAG架构，帮助每一位AI工程师找到最适合的方案。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

TGITCIC

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值