关于打造高质量RAG系统的问题记录
关于RAG在实际场景中的应用，重点讨论了文档处理和高效检索的问题。文档处理涉及多样化和复杂的格式，需要拆分和识别文本、图片和图表等不同内容类型。高效的检索则需利用多种匹配方式（精确字符匹配与语义匹配），通过多路召回策略综合考虑多个维度的数据来优化结果。
向量数据库
RAG101第一课：一个简单的RAG工作流
从这一篇文章开始，我们将正式开启 RAG101 系列教程。我们介绍如何使用 Qwen 模型构建一个简单的 RAG 系统，并包含文档加载、文本拆分、嵌入处理和语义检索等步骤。
怎么提升向量数据库的召回准确率
如何优化向量数据库的召回准确率是关键问题之一，主要从提高向量质量、改进索引结构、优化距离度量、改进查询策略、数据增强与处理、通过反馈机制优化以及多模态融合等方面着手解决。
大模型检索增强生成之向量数据库的问题
向量数据库通过向量化和相似度计算实现高效的数据检索。它主要应用于人工智能领域，并在推荐系统、图像识别等方面发挥作用。相比传统数据库，向量数据库擅长处理非结构化数据的语义相关性，其核心在于对不同模态数据进行向量化处理以及利用相似度计算算法来优化搜索性能和结果准确性。
为什么分块在RAG技术中很重要？但又很没有存在感？
RAG技术涉及多个环节和多种技术，如向量数据库、embedding等。文章强调文本分块（chunk）在RAG中的重要性，分块将长文本切分成小段落便于管理和检索，提高模型处理效率及搜索准确性。