CAG: A cache-enhanced generation method that is 40 times faster than RAG
比RAG(检索增强生成)快40倍的CAG(缓存增强生成)。CAG彻底改变了知识获取方式：不再是实时检索外部数据，而是预先将所有知识加载到模型上下文中。这就像是把一个巨大的图书馆浓缩成了一本随身携带的工...
Sorting
Google Agents and Basic Applications White Paper (Chinese version)
作者：Julia Wiesinger，Patrick Marlow和 Vladimir Vuskovic 原文：https://www.kaggle.com/whitepaper-agents 目...
2023 Old article review: a guide to the RAG system build process and evaluation
检索增强生成（Retrieval Augmented Generation，RAG）正在成为大语言模型（LLM）和向量数据库最受欢迎的应用之一。RAG 是通过从向量数据库（例如 Weaviate）检索...
Approaching Multi-Agent Systems (MAS): a Collaborative AI World
多智能体系统 (Multi-Agent System, MAS) 是一个由多个交互的智能体 (Intelligent Agent) 组成的计算系统。多智能体系统可用于解决单个智能体或单体系统难以解决或...
An article to take you to understand RAG (Retrieval Augmented Generation), the concept of theoretical introduction + code practice
一、LLMs 已经具备了较强能力了，为什么还需要 RAG(检索增强生成)? 尽管 LLM 已展现出显著的能力，但以下几个挑战依然值得关注： 幻觉问题：LLM 采用基于统计的概率方法逐词生成文本，这一机...
OpenAI-o3 and Monte-Carlo Ideas
o3 来了，分享一些个人的浅见。关于 Test-time Scaling Law 的进展，比我们想象中的要快得多。但我想说的是，这条路其实有些曲折——它是 OpenAI 在追求 AGI 的道路上，采取...
How to choose the best Embedding model for a RAG application
向量Embedding是目前检索增强生成（RAG）应用程序的核心。它们捕获数据对象（如文本，图像等）的语义信息，并以数字数组表示。在时下的生成式AI应用中，这些向量Embedding通常由Embedd...
A 10,000-word article on RAG optimization in DB-GPT real-world scenarios.
前言 在过去两年中，检索增强生成（RAG，Retrieval-Augmented Generation）技术逐渐成为提升智能体的核心组成部分。通过结合检索与生成的双重能力，RAG能够引入外部知识，从而...
Top 5 AI Agent Frameworks Worth Getting Into in 2025
Agent 目前我见到的最多的翻译是“智能体”，但是直译是“代理”。 那 Agentic 又要翻译成什么呢？我感觉“代理型”这样的词更合适。 所以为了不让读者混淆，我在本文直接用英文表示。 随着 ...
Simple, effective RAG retrieval strategy: sparse + dense hybrid search and rearrangement, and use "cue caching" to generate overall document-relevant context for text chunks.
为了让 AI 模型在特定场景中发挥作用，它通常需要访问背景知识。例如，客户支持聊天机器人需要了解其服务的具体业务，而法律分析机器人需要掌握大量的过往案例。 开发者通常使用检索增强生成（Retrieva...
Large model fine-tuning knowledge points that even a novice can understand
大模型微调全流程 建议在微调过程中严格按照以上流程执行，避免跳步，否则可能导致无效劳动。比如，如果没有充分构建数据集，最终发现微调模型效果不佳是数据集质量的问题，那么前期的努力将付诸东流，事倍功半...
A 10,000-word article comprehending the development process of LLM-based Text-to-SQL
OlaChat AI数智助手万字长文深度解析，带你了解Text-to-SQL技术的前世今生。 论文：Next-Generation Database Interfaces: A Survey of L...
Late Chunking x Milvus: How to Improve RAG Accuracy
01.背景 在RAG应用开发中，第一步就是对于文档进行chunking（分块），高效的文档分块，可以有效的提高后续的召回内容的准确性。而对于如何高效的分块是个讨论的热点，有诸如固定大小分块，随机大小分...
Anthropic summarizes simple and effective ways to build efficient intelligences
在过去的一年里，我们与多个行业中构建大语言模型 (LLM) 代理的团队合作。始终发现，最成功的实现并未使用复杂的框架或专用库，而是通过简单、可组合的模式构建完成。 在这篇文章中，我们将分享与客户合作以...
Mostly experts from Anthropic discuss Prompt Engineering
AI总结 概述 AI 提示工程 的深入探讨，通过一个圆桌会议的形式，多位来自 Anthropic 的专家从研究、消费和企业等不同角度分享了他们对提示工程的理解和实践经验。 文章详细阐述了提示工程的定义...
Scaling Test-Time Compute: Chain of Thought on Vector Models
自从 OpenAI 发布了 o1 模型后，Scaling Test-Time Compute（扩展推理时计算）就成了 AI 圈子里最火爆的话题之一。简单来说，与其在预训练或后训练阶段疯狂堆算力，不如在...
2024 RAG Inventory, RAG Application Strategy 100+
回顾2024，大模型日新月异，智能体百家争鸣。作为AI应用的重要组成部分，RAG也是“群雄逐鹿，诸侯并起”。年初ModularRAG持续升温、GraphRAG大放异彩，年中开源工具如火如荼、知识图...
Best-of-N Jailbreak: a simple random morphing of input and repeated attempts to get mainstream AI systems to break through security restrictions to produce harmful responses
近年来，随着生成式 AI（Generative AI）和大语言模型（LLM）的迅速发展，其安全性和可靠性问题引起了广泛关注。一项最新研究发现了一种被称为 Best-of-N 越狱法 （简称 BoN）的...
Rolled Up! Long Text Vector Model Chunking Strategies Competition
长文本向量模型能够将十页长的文本编码为单个向量，听起来很强大，但真的实用吗？ 很多人觉得... 未必。 直接用行不行？该不该分块？怎么分才最高效？本文将带你深入探讨长文本向量模型的不同分块策略，分析利...
English 
简体中文 
日本語 
한국어 
Español 
Deutsch 
Français 
Português do Brasil