27个大模型混战电商领域，DeepSeek-R1&V3仍是最强丨首个中文电商问答基准评估结果
ChineseEcomQA是淘天集团研发的首个聚焦电商领域的可扩展问答基准，旨在精准评估大模型对电商基础概念的理解。它通过覆盖20个行业的1800组高质量问答数据来提升模型性能，并探讨了RAG在增强LLM知识方面的作用。
RAG系统
微软开源用于专业领域问题的RAG系统：PIKE-RAG
微软开源的PIKE-RAG系统解决了传统RAG处理专业领域知识的局限性。它通过提取和应用领域特定知识，逐步引导LLM生成准确答案。包含多个模块来满足不同功能需求，并在医疗、工业制造等领域提高了问答准确性。
手把手带你用DeepSeek-R1和Ollama搭建本地应用，一文搞定！
本教程详细介绍了如何使用DeepSeek R1和Ollama构建本地化的RAG应用系统。通过文档处理、向量存储、Chain构建和RAG实现等四个主要步骤，实现了完整的功能。
增强RAG系统落地效果的9条最佳实践
通过系统研究RAG系统的多个关键因素，包括语言模型大小、提示设计、文档块大小等，得出了9条最佳实践，并提出了一系列实验设计以评估RAG系统的性能，涵盖TruthfulQA和MMLU数据集。
GraphRAG × AutoGen × Ollama × Chainlit = 本地免费多代理 RAG 超级 AI 助手
作为一名对前沿技术充满热情的研究者，我深刻感受到检索增强生成（Retrieval-Augmented
影响RAG检索效果的原因有那些？
RAG系统中检索环节存在问题包括数据质量问题、向量化表示、检索方法与算法等多方面因素，文章提出优化建议以提升其性能，如使用高质量嵌入模型、定期更新数据库及调整相似度度量参数等。
OCR噪声直接命中了RAG的软肋~
在RAG系统中，基于OCR的非结构化PDF文档抽取导致知识库中的语义噪声和格式噪声问题，影响RAG系统的性能。OHRBench评估了当前OCR解决方案，并推荐使用Marker实现最佳检索性能，但所有解决方案仍存在性能下降。