RAG vs Fine-Tuning：哪个更适合大型语言模型（LLM）的优化？
llmtrend RAG 和微调都是优化大语言模型的强大技术。在选择时，需要综合考虑应用场景的实时性需求、领域专业性要求、数据规模和资源可用性以及任务的灵活性和扩展性等因素。混合方法、参数高效微调、多模态 RAG 和强化学习在 RAG 中的应用提供了更多的可能性。
RAG
Agentic RAG：2025年及未来AI代理的未来
什么是Agentic RAG？RAG由Meta AI研究人员引入，通过让大型语言模型（LLMs）从外部源实时获取信息来增强它们，并减少了那些烦人的AI“幻觉”。与此同时，AI代理就像拥有超能力的数字助手：它们能够独立感知、决策和行动，Agentic RAG将这两者结合起来。
检索增强生成（RAG）技术技综述：原理、类型与应用前景
RAG 的基本原理是将文本生成任务与信息检索相结合。RAG 技术在接收到用户的查询请求后，首先会对相关文档进行检索。会将文档分割成适宜处理的片段，然后转化为向量嵌入形式，以便利用余弦相似度等方法快速找到。找到相关文本片段后，将其作为额外信息输入到语言模型中，辅助模型生成回答。
全面解析 RAG 评测：关键指标、方法与框架
在实际RAG 评测时，需要综合运用多种方法，结合不同的指标进行全面考量。首先，要构建高质量的真实数据集（ground truth dataset），这是评估的基础。真实数据集应包含丰富、准确的信息，涵盖各种类型的查询和对应的正确答案及相关上下文，以确保评估结果的可靠性。
GraphRAG：人工智能知识检索的变革力量
Graph RAG，即基于图的检索增强生成技术，在数据存储和检索方式上与传统 RAG 有着本质区别。它把数据以节点和边的形式存储在知识图谱中，每个节点代表一个实体，比如人物、事件、概念等，而边则表示实体之间的各种关系，像因果关系、所属关系、关联关系等。
Retrieval Augmented Generation (RAG)全面指南
Retrieval Augmented Generation（RAG） 本质上是一种创新性的架构方法，它巧妙融合检索与生成技术，借助外部知识增强大语言模型的表现，让 AI 从 “全知全能假象” 迈向 “精准按需服务”。
大模型rag：提高输出质量并减少幻觉
RAG，即检索增强生成，核心在于将信息检索融入到 LLMs 的文本生成流程中。传统 LLMs 主要依赖训练阶段编码的静态知识，而 RAG 赋予模型在推理时从外部数据存储获取最新信息的能力，从而显著提升回复的相关性和准确性。
llm rag技术之CRAG（Corrective RAG）介绍
llm rag技术之CRAG 作为一种创新的检索增强生成方案，针对 RAG 技术面临的挑战提出了有效的解决方案。通过引入轻量级的检索评估器、优化知识利用策略以及结合网络搜索拓展知识来源，CRAG 显著提高了生成的稳健性和知识利用效率，在多个实验任务中展现出了优异的性能。
RAG切块策略深度解析与实践指南
检索增强生成（RAG）技术是挖掘核心知识的关键。而在 RAG 系统中，切块（chunking）策略的运用至关重要，它直接关乎系统的性能与效果，决定着能否精准、高效地从庞大信息库中提取并利用知识。随着数据量和业务需求的变化，持续优化切块策略是确保 RAG 系统性能稳定、高效的关键。
llm rag技术对比：RAG vs KAG vs CAG
CAG 与 RAG 相结合，利用 CAG 预加载常见问题的答案，提高常见问题的响应速度；对于动态数据和新问题，则借助 RAG 进行实时检索和回答，实现优势互补。在法律领域，将 KAG 的知识图谱推理与 RAG 的实时检索相结合，可以实现依据法律知识图谱进行案件分析和推理。