【KAG】知识增强式生成 - 比RAG更强大的检索与推理框架

(20:40)

【科普向】什么是RAG检索增强生成？

(5:11)

GraphRAG：知识图谱+RAG、更高质量的检索

(11:9)

基于Langchain和ollama实现RAG，打造自己的专属知识库

(9:22)

Mistral 入门指南 —— 如何从头实现一个简单的检索增强生成（RAG）

(9:43)

开源项目介绍-graphRAG，基于知识图谱的检索增强生成（三），localQuery 介绍

(19:13)

EP4 AI精準度的秘密：RAG技術揭露與向量式資料庫

(26:18)

M4 Mac mini 服务器探索之路03 LM Studio部署以及MLX框架推理的实测体验以及api调用设置方法RAG增补使用方法｜ollama对比｜Mac系统最佳大模型客户端｜

(14:55)

【人工智能】万字通俗讲解大语言模型内部运行原理 | LLM | 词向量 | Transformer | 注意力机制 | 前馈网络 | 反向传播 | 心智理论

(38:45)

【人工智能】如何用LangChain和向量数据库打造语义搜索 | LangChain CEO解读 | 五个典型案例

(10:18)

【ChatGPT系列 Ep12】更強的語言模型？RAG來助攻！

(11:11)

如何讓ChatGPT更可靠?什麼是RAG?為什麼各領域都在關注它

(15:45)

RAG技术详解、向量数据库对大模型的作用 #大模型 #向量数据库

(16:38)

【生成式AI】ChatGPT 原理剖析 (1/3) — 對 ChatGPT 的常見誤解

(19:59)

不再依赖LangChain！AutoGen原生支持RAG应用开发

(12:21)

大语言模型微调之道7——评估和迭代

(11:30)

Ragas：自动化评估大模型增强检索RAG方案的好坏，实现基于场景数据选择大模型增强检索框架、embedding算法、大模型底座等，从而更好服务业务

(25:41)

开源项目介绍-graphRAG，基于知识图谱的检索增强生成

(49:49)

动手学RAG：Part1 什么是RAG？

(21:22)

LazyGraphRag 全攻略! 最新檢索增強生成技術Retrieval Augmented Generation–Vector Rag和Graph Rag的融合–提升局部搜尋性能 降低全域搜尋成本

(16:52)

How does AI understand language? The Fundamental Principles of RAG | Embedding Models

(28:21)

RAG向量检索与实践：为什么需要向量数据库？

(15:38)

Build Your Own Knowledge Base! In-Depth Analysis of Vector RAG + Pinecone | Vector Database Examples

(8:35)

RAG虽强，但向量数据库绝非万灵药 | LLM | AIGC | 2024中国生成式AI大会 | 2024年12月6日

(25:57)

【人工智能】AGI毁灭人类可能性99.9999% | 罗曼·扬波尔斯基 | 计算机科学家 | 诡谲转向 | 存在性风险 | 折磨风险 | Ikigai风险

(11:57)