RAG中的数据准备：详细环节与技术 - 飞书文档
https://docs.feishu.cn/v/wiki/KVIBwTxnrixYrFkT7oycPX7QnBg/a3查询转换是一系列技术，使用LLM 作为推理引擎来修改用户输入以提高检索质量。有很多技术实现可供选择。 **对于复杂的查询，大语言模型能够将其拆分为多个子查询。 **比如，.
飞搜侠
热门搜索
高级RAG 技术：图解概述 - 飞书文档
https://docs.feishu.cn/article/wiki/SFjhwrbLYiCVw3kJt8VcttDmnZg在运行时，我们使用同一编码器模型对用户的查询进行向量化，然后搜索该查询向量的索引，找到top-k 个结果，从我们的数据库中检索相应的文本块，并将它们作为上下文输入到LLM ...
RAG技术中如何选择合适的块大小？ - 飞书文档
https://docs.feishu.cn/v/wiki/UNRCw5gL0iCwTukfNtacvXChnnd/ab关于选择块大小的研究[5]，可以在LlamaIndex的NodeParser[6]类中找到，该类提供了一些高级选项，比如定义自己的文本分割器、元数据、节点/块关系等。 1.2 向量化. 接下来的 ...
使用ReAct式流程实现函数调用 - 飞书文档
https://docs.feishu.cn/v/wiki/GZOnwfXFBinMoUkDxVrc2xG4nSh/a6作者：还就可| 深入LLM Agent应用开发原文： https://mp.weixin.qq.com/s/MFe70LYt... 本篇是LLM多智能体AutoGen教程系列的第7篇。 最近需要优化人脸姿态评估模型， ...
《MetaGPT智能体开发入门》教程 - 飞书文档
https://docs.feishu.cn/article/wiki/KhCcweQKmijXi6kDwnicM0qpnEf使用Python实现异步编程的一个重要原因是Python的异步支持已经相当成熟。Python的 asyncio 库提供了一套易于理解和使用的API，用于编写单线程的并发代码。这使得Python成为 ...
图解高级RAG技术 - 飞书文档
https://docs.feishu.cn/article/wiki/MVMxwHBiNiz3Zpkj0aGc7QMRnFb在运行时，我们使用同一编码器模型对用户的查询进行向量化，然后搜索该查询向量的索引，找到top-k 个结果，从我们的数据库中检索相应的文本块，并将它们作为上下文输入到LLM ...
全面解读高级检索增强生成技术（RAG）：原理、流程与应用
https://docs.feishu.cn/v/wiki/APb6wdLL9iJZd5k9GEpceoTCnKI/a1因此，找到语料库中文档的最佳块大小对于确保搜索结果的准确性和相关性至关重要。 另一个例子是会话Agent。我们使用嵌入的块根据知识库为会话Agent构建上下文，该知识库使 ...
在降水预测baseline里如何构建更合适的模型？ - 飞书文档
https://docs.feishu.cn/v/wiki/AloVwLxJ3ipNg2kWsKTcyGapnNe/af定义模型, 利用PyTorch搭建网络，根据输入输出数据维度实例化模型. 定义损失函数, 优化器, 训练周期, 训练模型并保存模型参数. 模型加载 ...
GraphRAG如何应对模型限制？ - 飞书文档
https://docs.feishu.cn/v/wiki/PKAyweuP1iS7v7kiHEscOylBnid/ai该方法使用LLM构建基于图的文本索引，包括从源文档派生实体知识图谱，然后为所有密切相关的实体组生成社区摘要。给定一个问题后，每个社区摘要用于生成部分回答，然后所有部分 ...
day03-微服务01 - 飞书文档
https://docs.feishu.cn/article/wiki/R4Sdwvo8Si4kilkSKfscgQX0niB如果这些实例需要共享HTTP客户端资源，它们可以使用相同的底层ClientHttpRequestFactory。 注意:从5.0开始，这个类处于维护模式，只有对更改和错误的小请求才会被接受。请考虑 ...