AI.x社区
- 登录/注册
默认
发布时间
热度
原创
精华
图像也能通过 RAG 加入知识库啦！
我们知道，检索增强生成RAG通过整合外部知识库与生成模型，有效缓解了大模型在专业领域的知识局限性。传统的知识库以文本为主，通常依赖于纯文本嵌入来实现语义搜索和内容检索。然而，随着多模态数据需求的增长和复杂文档处理场景的增多，传统方法在处理混合格式文档（如包含文本、图像、表格的PDF）或长上下文内容时，往往面临性能瓶颈。CohereEmbedv4。CohereEmbedv4是一个能够满足企业需求的多模态嵌入模型...图像RAG知识库知识图谱与大模型的深度结合策略剖析
原创1、知识图谱与大模型的特点和互补性知识图谱的独特性：知识组织：它由实体及其相互间的联系构成的三元组网络，有效地描绘了知识的框架。数据可信度：知识图谱所包含的信息普遍具有高度的准确性和信赖度。解释性：知识图谱的架构更贴合人类的认知方式，它为知识的解释和逻辑推理提供了途径。大模型的优势：语言理解力：这些模型能够深入理解庞大的文本资料，具备强大的上下文学习及跨领域适应能力。零样本学习能力：在自然语言处...知识图谱大模型基于知识图谱的少样本和零样本学习综述
引言随着人工智能的飞速发展，机器学习，特别是深度学习，在过去几十年中在许多领域和应用中取得了显著的成就。例如，卷积神经网络（CNN）在图像分类和视觉对象识别方面的准确性常常超过人类，推动了自动驾驶车辆、面部识别、手写识别、图像检索和遥感图像处理等应用的快速发展。同样，循环神经网络（RNN）和基于Transformer的模型在序列学习和自然语言理解方面取得了成功，这些技术推动了机器翻译、语音识别和聊天机器人等应用...人工智能机器学习深度学习基于 Kimi 一键整理实体及其关系，并制作知识图谱
今天学会了一招比较实用的技巧，利用AI来帮我们整理实体及其关系，最后再基于整理完成信息制作知识图谱，不论是一些资料还是一段内容，都可以轻松实现。这里我们先简单讲下实体识别和关系抽取的概念。想象一下，你正在阅读一本侦探小说。在小说中，侦探需要识别出各种人物（实体）和他们之间的联系（关系）。实体识别：就像侦探在小说中找出所有的人物一样。在文本中，实体识别就是找出文本中的关键信息，比如人名、地点、组织...Kimi实体知识图谱PlanRAG：商业决策驱动
在商业环境中，决策过程通常涉及数据分析，以选择最合适的方案来实现特定目标。例如，制药公司Pfizer可能需要决定哪些工厂应该运营或停止，以及每个工厂应该雇佣多少员工，以最小化生产成本并保持准时交付。这一过程通常分为三个步骤：制定分析计划、检索必要数据、基于数据做出决策。其中最困难的部分就是，人类需要制定分析决策planRAG的目标是用LLM替代人类角色，实现整个决策过程的自动化。PlanRAG决策问答（DecisionQA）任...PlanRAGNLPCVGPT的情感逻辑：从合作游戏中洞察AI决策，深入探索GPT在情感驱动决策中的表现
精华情感在人类决策中扮演着核心角色，它影响他们的选择、行为乃至生活的方方面面。当这一复杂的人类特质与LLMs相遇时，他们如何确保这些模型能够准确地反映出情感的影响？这不仅是技术上的挑战，更是对模型设计哲学的深刻考量。6月6日发表于学术平台arXiv热门论文《THEGOOD,THEBAD,ANDTHEHULKLIKEGPT:ANALYZINGEMOTIONALDECISIONSOFLARGELANGUAGEMODELSINCOOPERATIONANDBARGAININGGAMES》不仅探讨了LLMs在模拟情感决策时的表现，更...GPTAI决策深入解析Agentic AI架构：如何打造自主决策的智能体？
原创在人工智能的浪潮中，AgenticAI架构正悄然崛起，成为推动智能体（AIAgents）实现自主决策和复杂任务执行的核心技术框架。与传统的AI模型不同，AgenticAI架构更像是一个“智能大脑”，能够模仿人类的认知能力，自主感知环境、制定计划、执行决策，并在动态变化的环境中不断学习和进化。今天，我们将深入探讨AgenticAI架构的核心组件、工作原理以及它在各行业中的广泛应用。无论你是技术爱好者，还是企业决策者，这篇文章都将为你...Agentic AI架构码住！Pydantic AI智能体框架，轻松打造AI Agent
大型语言模型（LLMs）降低了人工智能的门槛，使其触手可及。但要开发成熟的的AI系统，我们经常要面对类型安全、依赖管理、错误处理等一系列挑战。现在PydanticAI能够解决这些问题，这是一个创新的Python框架，能够简化生产级AI智能体的开发。得益于Pydantic强大的类型系统，这个框架成为了开发者构建既可靠又易于维护的AI应用的理想工具。本文为大家分析PydanticAI框架的价值和功能，以及如何利用其来构建可靠的AI应用。1.Pydan...PydanticAI智能体谷歌A2A框架与Anthropic MCP框架的区别：谁在定义AI智能体的未来？
精华引言在AI智能体（Agent）爆发的时代，谷歌与Anthropic两大巨头分别推出了A2A（AgenttoAgentProtocol）和MCP（ModelContextProtocol）框架，试图解决AI生态中的核心问题。但这两者究竟有何不同？谁更可能成为未来的标准？本文将从设计目标、技术原理、应用场景等多维度解析二者的差异，并探讨其对开发者与企业的影响。一、本质区别：协作VS工具1.A2A：让智能体“对话”谷歌A2A的核心目标是打破智能体间的壁垒，让不同框架、供应...谷歌MCP框架忘掉 Manus 模型上下文协议MCP 正在重新定义智能体的未来
原创大多数普通人眼里AI的模样是什么？看着网站草图，AI就自动做了一个原形网站。只需要告诉AI指令，它就帮你完成了一系列的机票订票流程。许多人更是憧憬过AllinOneApp——我只要动嘴，一切活有AI搞定。可以说，现阶段的AI使用形态，充其量就是个氛围组。我只能获取必要的资料指引，具体的活还得我自己来干。而过去两年的发展，AIAgent不过是雷声大，雨点小的玩意了。做的人很多，但是能够在路人之间火出圈的产品，大抵也只有Manus...MCP大模型智能体WWW'24 文本增强实现统一跨域时间序列预测
今天给大家介绍一篇WWW2024中，由于新嘉博国立大学和香港科技大学联合发表的多模态时间序列预测模型UniTime，通过文本信息实现统一跨域时间序列预测。论文标题：UniTime:ALanguageEmpoweredUnifiedModelforCrossDomainTimeSeriesForecasting下载地址：https:arxiv.orgpdf2310.09751v1.pdf1、背景在很多时间序列预测场景中，会涉及到跨域学习，即有多个领域的时间序列数据，不同领域的数据分布、特征都可能不同，需要对...跨域时间序列预测使用Transformer来进行时序预测可还行？
大语言模型的成功充分证明了Transformer架构的先进性，越来越多的人希望把它应用到其它领域，而非NLP领域本身，因而也催生了以一套Transformer架构统一各种模态的研究热点。而在工业界有一个非常常见的场景却鲜有涉及，那就是结构化数据的时序预测类场景，通常认为这种方式利用统计和经典回归类模型就已经足够了，并且确实在过去的研究来看，以Transformer为代表的，在NLP，CV等方面大杀四方的深度学习模型在这方面表现也并不够...Transformer时序预测使用RAG的思想进行PPT生成的框架思路-SlideCoder
原创手动创建幻灯片既费时又费力，如何从参考图像自动生成可编辑的幻灯片？现有的问题：如Autopresent的方法，通过构建大批量的SFT数据生成ppt代码来生成ppt。然而，自然语言描述难以准确描述幻灯片的视觉设计，LLMs在处理复杂PPT时存在局限性，特别是包含多样元素类型和高元素密度的情况；LLMs对pythonpptx库的理解不足，导致生成的代码可能存在语法错误或不可执行。SlideCoder提出一个基于RAG的思想布局感知的检索增强框架，用于...RAGPPTSlideCoder再见RAG，你好Agentic RAG！
精华在2023年，检索增强型生成（RAG）技术占据了主导地位，而在2024年，智能体工作流程正在推动巨大的进步。使用AI智能体为构建更强大的、健壮的、多功能的大型语言模型（LLM）驱动的应用开辟了新的可能性。其中一个可能性是在智能体RAG流程中增强RAG流程中的AI智能体。智能体RAG的基础知识什么是检索增强型生成（RAG）检索增强型生成（RAG）是一种构建LLM驱动应用的技术。它利用外部知识源为LLM提供相关上下文，减少幻觉现象。一个...RAGAgentic框架Agentic RAG 与图任务编排
一个朴素的RAG系统流程是这样的：先由用户提出问题，然后系统基于用户提问进行召回，对召回结果进行重排序，最后拼接提示词后送给LLM生成答案。一部分简单场景下，朴素的RAG已经可以满足用户意图明确的场景的要求，因为答案已经包含在检索出来的结果中，只要交给LLM即可。然而在更多的情况下用户意图并不明确，无法直接通过检索找到答案，例如一些针对多文档的总结类提问需要进行多步推理(Reasoning)等等。这类场景就需要引入Ag...系统编排用于复杂RAG任务的先进可控Agent
一种先进的检索增强型生成（RAG）开源解决方案，旨在解决简单的基于语义相似性的检索无法解决的复杂问题。展示了一个复杂的确定性图，作为高度可控的自主Agent的“大脑”，能够回答来自私域数据的复杂问题。关键特性复杂的确定性图：作为Agent的“大脑”，使复杂推理成为可能。可控自主Agent：能够回答自定义数据集中的复杂问题。幻觉预防：确保答案仅基于提供的数据，避免AI幻觉。多步骤推理：将复杂查询分解为可管理的子任务...RAGAgent监控如何利用RAG+Agent轻松解决企业复杂问题？
原创 精华1、大模型的痛点大模型技术席卷全球，为日常工作和生活带来便利，但也面临时效性、准确性等问题。如何提升大模型的性能？解决其挑战？构建高级应用？成为重要待解决问题。RAG（检索增强生成）技术通过信息检索和文本生成，显著提升了大模型的性能。但RAG也存在局限性，比如：数据依赖、检索效率等。如何解决这些痛点？如何进一步提升RAG性能？是本文剖析的重点。2、RAG的痛点NaiveRAG通过检索和生成，提升大模型在问答、智能助...RAGAgent定制你的AI助手：大型语言模型适配方法详解
这是一个由三部分组成的系列博客文章中的第一篇,主题是关于如何适配开源大型语言模型(LLMs)。在这篇文章中,我们将探讨适配LLMs到特定领域数据的各种方法。在第2部分,我们将讨论如何确定微调是否适合你的使用场景。在第3部分,我们将探讨一些整理优质训练数据集的经验法则。引言大型语言模型(LLMs)在大量语言任务和自然语言处理(NLP)基准测试中展现出了卓越的能力。基于这些"通用"模型的产品应用正在兴起。在这篇博客文章中,我们...AI语言模型RAG项目必备！文档解析神器MinerU：2.5万星标！支持GPU加速，轻松应对复杂文档
原创我们都知道，对于RAG（检索增强生成）的项目来说，构建知识库的过程常常包含文档的解析。文档的解析效果直接影响到知识库的质量，进而影响问答系统的质量。因此，一款好的PDF解析工具对于RAG项目的成功至关重要。今天，向大家推荐一款由上海人工智能实验室打造的智能文档处理工具——MinerU。这款工具刚刚完成了新年大升级，在GitHub上已经获得了超过2.5万星标，甚至连谷歌工程师都在安利！获取MinerUMinerU官网：https:mineru....RAGAIAI代理评估：如何确保你的智能助手靠谱又高效？
原创在当今数字化浪潮中，AI代理正逐渐成为企业与个人的得力助手，从智能客服到行业专属解决方案，它们的身影无处不在。但你知道吗？构建一个AI代理，可不仅仅是搭建一个能用的原型那么简单。真正的挑战在于，如何通过精细的评估，确保它在实际应用中表现可靠、高效且符合伦理。今天，就让我们一起深入探讨AI代理评估的奥秘，看看如何把一个简单的模型打磨成一个强大的、生产级的工具。什么是AI代理评估？AI代理评估，就像是给智能...AI代理AI代理评估
