我要投稿
微信搜一搜，关注“人本智能”
现在，你也有机会手搓一个属于自己的kimi啦！
KIMI走的是检索增强生成路线，简称RAG：Retrieval Augmented Generation，它就是把信息检索与大模型结合，以缓解大模型推理“幻觉”的问题。
RAG的目标是通过知识库增强内容生成的质量，通常做法是将检索出来的文档作为提示词的上下文，一并提供给大模型让其生成更可靠的答案。更进一步地，RAG的整体链路还可以与提示词工程（Prompt Engineering）、模型微调（Fine Tuning）、知识图谱（Knowledge Graph）等技术结合，构成更广义的RAG问答链路。
知识库内容缺失，截断有用文档，上下文整合丢失，有用信息未识别，提示词格式问题，准确性不足，答案不完整
比如，最经典的RAG架构，首先是索引，就是向量嵌入，然后是检索，进行相似查询，最后是生成文档上下文
有兴趣的小伙伴，快去看一下吧！
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
2025-07-29
一小时内构建基于Gemma与Bright Data的生产级RAG应用
2025-07-28
做RAG系统到底是选MaxKB还是FastGPT
2025-07-28
企业RAG之构建 FastMCP 服务：基于模型上下文协议的智能服务体系搭建实践
2025-07-28
RAG数据准备完整实战指南：从原始文档到高质量知识库
2025-07-28
企业RAG之数据源构建：爬取巨潮资讯网上市企业年报
2025-07-28
HiRAG：一种基于层级知识索引和检索的高精度RAG
2025-07-28
长文本放提示词中还是采用 RAG？
2025-07-28
检索链路全优化：查询重写、重排与压缩如何提升 RAG 效果
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