检索增强生成 (RAG)如何操作
RAG（Retrieval-Augmented Generation）是一种生成型模型，它结合了检索和生成两种方法，可以用于生成各种形式的文本。在使用RAG模型时，一般的操作流程如下：
准备语料库：首先需要准备一个包含相关文本信息的语料库，以便用于检索。
检索：使用训练过的RAG模型来检索与给定主题或问题相关的文本片段。可以通过向模型提供一个查询串（query）来实现检索。
生成：基于检索到的文本片段，使用RAG模型生成与查询相关的文本。生成的内容可以是对查询的答案、解释或细节等。
调整：根据需要，可以通过调整RAG模型的参数或使用更多的训练数据来改进生成的结果。
具体的操作方法会根据使用的工具库和平台而有所不同，您可以查看相应的文档或教程以获取更详细的操作指南。
技术干货
CPU是否足够？在新型硬件上运行向量搜索的综述
在Zilliz组织的2024年非结构化数据聚会上，Smile Identity的计算机视觉专家以及NeurIPS BigANN挑战赛的组织者（2021年，2023年）George Williams，探讨了CPU是否足以应对向量搜索/近似最近邻（ANN）。他探索了新的硬件解决方案如何能彻底改变向量搜索，强调了先进的搜索算法与尖端硬件的交汇，并对未来的数据检索技术提供了洞见。
2024-07-26
技术干货
如何选择合适的 Embedding 模型
检索增强生成（RAG）是生成式 AI （GenAI）中的一类应用，支持使用自己的数据来增强 LLM 模型（如 ChatGPT）的知识。 RAG 通常会用到三种不同的AI模型，即 Embedding 模型、Rerankear模型以及大语言模型。本文将介绍如何根据您的数据类型以及语言或特定领域（如法律）选择合适的 Embedding 模型。
2024-08-26
技术干货
Forrester Wave™ 向量数据库报告：Zilliz 进入领导者象限
Forrester 是科技领域最知名的研究公司。他们最新发布了 2024 年向量数据库供应商 Wave™ 报告，Zilliz 被评为领导者！
2024-09-27