RAG

RAG实战系列文章

LLM之RAG实战（一）|使用Mistral-7b, LangChain, ChromaDB搭建自己的WEB聊天界面

LLM之RAG实战（二）|使用LlamaIndex + Metaphor实现知识工作自动化

LLM之RAG实战（三）|LlamaIndex解锁自定义LLM关键步骤分块、索引、查询介绍

LLM之RAG实战（四）|Self-RAG如何革命工业LLM

LLM之RAG实战（五）| 高级RAG 01：使用小块检索，小块所属的大块喂给LLM，可以提高RAG性能

LLM之RAG实战（六）| 高级RAG 02：选择最佳embedding和重排序模型

LLM之RAG实战（七）| 使用llama_index实现多模态RAG

LLM之RAG实战（八）| 使用Neo4j和LlamaIndex实现多模态RAG

LLM之RAG实战（九）| 高级RAG 03：多文档RAG体系结构

LLM之RAG实战（十）| 如何构建一个RAG支持的聊天机器人，包括聊天、嵌入和重排序

LLM之RAG实战（十一）| 使用Mistral-7B和Langchain搭建基于PDF文件的聊天机器人

LLM之RAG实战（十二）| 在RAG管道中实现上下文压缩和过滤

LLM之RAG实战（十三）| 利用MongoDB矢量搜索实现RAG高级检索

LLM之RAG实战（十四）| 利用LongContextRetriver克服RAG中的中间丢失现象

LLM之RAG实战（十五）| RAG的自动源引文验证技术

LLM之RAG实战（十六）| 使用Llama-2、PgVector和LlamaIndex构建LLM Rag Pipeline

LLM之RAG实战（十七）| 高级RAG：通过使用LlamaIndex重新排序来提高检索效率🦙

LLM之RAG实战（十八）| 使用Query转换来改进RAG效果

LLM之RAG实战（十九）| 利用LangChain、OpenAI、ChromaDB和Streamlit构建RAG

LLM之RAG实战（二十）| RAG分块策略的五个level

LLM之RAG实战（二十一）| 使用LlamaIndex的Text2SQL和RAG的功能分析产品评论

LLM之RAG实战（二十二）| LlamaIndex高级检索（一）构建完整基本RAG框架（包括RAG评估）

LLM之RAG实战（二十三）| LlamaIndex高级检索（二）：父文档检索

LLM之RAG实战（二十四）| LlamaIndex高级检索（三）：句子窗口检索

LLM之RAG实战（二十五）| 使用LlamaIndex和BM25重排序实践

LLM之RAG实战（二十六）| 使用llamaindex-cli无需一行代码即可实现RAG

LLM之RAG实战（二十七）| 如何评估RAG系统

LLM之RAG实战（二十八）| 探索RAG query重写

LLM之RAG实战（二十九）| 探索RAG PDF解析

LLM之RAG实战（三十）| 探索RAG语义分块策略

LLM之RAG实战（三十一）| 探索RAG重排序

LLM之RAG实战（三十二）| 使用RAGAs和LlamaIndex评估RAG

LLM之RAG实战（三十三）| 探索RAG在Table的应用

LLM之RAG实战（三十四）| 使用LangChain的三个函数来优化RAG

LLM之RAG实战（三十五）| 使用LangChain的3种query扩展来优化RAG

LLM之RAG实战（三十六）| 使用LangChain实现多模态RAG

LLM之RAG实战（三十七）| 高级RAG从理论到LlamaIndex实现

LLM之RAG实战（三十八）| RAG分块策略之语义分块

LLM之RAG实战（三十九）| 高级RAG技术全面解析（附代码）

LLM之RAG实战（四十）| 使用LangChain SQL Agent和MySQL搭建多层RAG ChatBot

LLM之RAG实战（四十一）| 使用LLamaIndex和Gemini构建高级搜索引擎

LLM之RAG实战（四十二）| 如何在LlamaIndex和LangChain中正确选择RAG开发框架

RAG理论系列文章

LLM之RAG理论（一）| CoN：腾讯提出笔记链（CHAIN-OF-NOTE）来提高检索增强模型（RAG）的透明度

LLM之RAG理论（二）| RAG综述论文详解

LLM之RAG理论（三）| 高级RAG技术全面汇总

LLM之RAG理论（四）| RAG高级数据索引技术

LLM之RAG理论（五）| 使用知识图谱增强RAG

LLM之RAG理论（六）| 高级RAG指南和技巧

LLM之RAG理论（七）| 高提升RAG检索的四种方法

LLM之RAG理论（八）| 提高RAG性能的9种技术

LLM之RAG理论（九）| 如何在LLM应用程序中提高RAG结果：从基础到高级

LLM之RAG理论（十）| RAT：一种协同CoT和RAG的 AI 提示策略，助力解决长任务推理和生成

LLM之RAG理论（十一）| 面向生产的RAG应用程序的12种调整策略指南

LLM之RAG理论（十二）| RAG和Graph RAG对比

RAG相关博客

Description	Paper	Code	Blog
ARKS：利用主动检索策略增强大型语言模型	ARKS: Active Retrieval in Knowledge Soup for Code Generation	ARKS Code	ARKS Blog
RAG从入门到精通-RAG简介			blog
使用Llama index构建多代理 RAG			blog
基于大语言模型的智能问答系统应该包含哪些环节？		OpenAI 的审核函数接口 Moderation API	blog
搭建本地的chatpdf（原理，文档处理，语义搜索等）			blog
如何避免大语言模型绕过知识库乱答的情况？LlamaIndex 原理与应用简介			官方blog，中文blog
使用 Langchain 和 Azure OpenAI 构建一个聊天机器人来查询您的文档			blog
一文搞懂LangChain是什么			blog

RAG扩展模型

随着RAG的快速发展，一些高级RAG技术层出不穷，下面将介绍一些常见的RAG扩展模型和算法

Model	Paper	Code	Blog
RAT	RAT: Retrieval Augmented Thoughts Elicit Context-Aware Reasoning in Long-Horizon Generation	RAT Code	RAT主页，RAT demo
T-RAG	T-RAG: Lessons from the LLM Trenches