我要投稿
微信搜一搜，关注“一意AI增效家”
在Llamaindex的全栈项目分享会上，我多次提到要优先使用RAG，尽量不要微调或增量，大规模的+数据质量错位的，微调+增量技术，不靠谱，很难收到结果！
在会议末尾讲了一下什么情况下用RAG，也分享了一些RAG的坑和经验，刚刚不想让会议显得太长，我这里再补充一下：
重申技术背后：
RAG技术是通过从外部来源检索信息，将内容添加到提示中，然后调用LLM！
目标是为模型提供其参数化上下文（或基本知识）中可能没有的信息。
存在问题与经验：
① 交互问题
通常需要三四轮对话才能理解客户的问题，因为一开始消息没有深入，都是客套话！没用！
当然，可以设置马上开始检索，但！过早检索数据时，检索的文本没有足够上下文，是很容易检索到垃圾信息的，除非你可以一条提示词，办完事！否则，这时，大模型的注意力集中在错误内容上，降低了生成的准确度！
② 尝试优化想法
基于以上，我们设计了一个确定对话意图过程，然后切换到对应+专门的RAG提示词！有效，但很呆！
③ 最终方案
我们需要多个提示词和状态来模拟对话！基于以上的升级！
LLM Agent（带工具）
与一组操作（工具）配对的提示词
在对话过程中，提示可以返回一个响应，指示应该调用一个带有参数的操作
例如：管理代理的软件执行该操作（“调用baidu.com”）并将结果作为新消息返回到提示词。使用新结果继续与用户进行对话！
④ RAG有两种模式的
第一种：静态，使用提示词和已向量的数据，检索交互
第二种：动态，一边交互，一边把交互内容，生成搜索词，会呼吸的RAG，实现自主更新！提高生成质量！
53AI，企业落地大模型首选服务商
产品：场景落地咨询+大模型应用平台+行业解决方案
承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业
2025-07-31
精准与效率：RAG应用PDF文档图文提取OCR策略
2025-07-31
聊聊Dify如何集成Milvus向量库做RAG
2025-07-31
RAG + Claude的1TB大文档问答系统实战操作
2025-07-31
RAG召回质量翻倍的两个核心技术：我是这样解决"找不准"问题的
2025-07-31
测试不同的RAG技术以找到最佳方案
2025-07-30
Spring AI + Milvus 实现 RAG 智能问答实战
2025-07-30
AI问答系统崩溃？这篇RAG优化实战指南，教你解决90%的检索问题
2025-07-30
基于MCP-RAG的大规模MCP服务精确调用方法
2025-06-06
2025-05-30
2025-06-05
2025-05-19
2025-05-08
2025-05-10
2025-06-05
2025-05-20
2025-06-05
2025-05-09
2025-07-28
2025-07-09
2025-07-04
2025-07-01
2025-07-01
2025-07-01
2025-07-01
2025-06-30
回到顶部
粤ICP备14082021号