宠物网站开发与实现结论做网站推广工作赚钱吗

宠物网站开发与实现结论,做网站推广工作赚钱吗,线上广告平台,业之峰装修公司怎么样好不好最近刚好在做手上 RAG 项目的年末总结#xff0c;顺便整理了下外部的变化以及一些演化方向#xff0c;写着写着发现挺适合拿出来分享的#xff0c;遂整理下拿出来#xff0c;顺便展开一些内容。欢迎各位点赞收藏#xff0c;评论区交流指正~ 01 RAG 相关新范式 1.1 动态检索…最近刚好在做手上 RAG 项目的年末总结顺便整理了下外部的变化以及一些演化方向写着写着发现挺适合拿出来分享的遂整理下拿出来顺便展开一些内容。欢迎各位点赞收藏评论区交流指正~01RAG 相关新范式1.1 动态检索AgenticRAG主要是在检索侧做的改进AgenticRagAgenticRAG 实际就是把向量数据库知识库作为 agent 的一个 tool交由 agent 判断是否使用。由 agent 自己决定检索什么检索多少以做到动态检索。在此基础上还会增加横向扩展比如多 retrieve agents 嵌套通过多个检索 agent 给一个上级 agent 提供信息。相关的设计还有很多单核心都是围绕“动态检索”这一思想进行设计的。重点解决传统 RAG 中的单来源、强制执行、一次交付的问题。1.2 数据侧增强PikeRag、GraphRAG主要是在存储侧做的改进GraphRagPikeRagGraphRag 两个方法Local Search局部检索在检索时依靠向量检索找到绝对实体之后依靠 graph 在图中寻找它的相关关系最后给大模型实体细节关联实体细节他们的关系。Global Search全局检索在构建的时候通过聚类算法Leiden 算法将其聚类为不同社区最后靠 LLM 给社区做描述检索时如果是全局检索则不去寻找实体而是寻找社区及其描述将相关社区描述汇总作为上下文主要解决概括性问题。之前 GraphRag 出现的时候有令人诟病的成本问题后续更新了新版的 2.X记得没错的话式更新了专门用的非 LLM 的实体抽取模型应该在成本上有所缓解。另外类似思想的轻量级的还有 LightRag也是不错的研究。PIKE-RAG主要是做了 atom_decompose 这一个方法在数据 build 的时候给每个数据做数据增强。简单来说就是通过大模型给每一段进行标记抽取实体和关系类似 graphrag local search同时依靠大模型生成相关的同语义但不同表述的回答作为辅助。最终在检索侧的时候提高召回率和精确率。这两个代表性的框架本质都是在存储侧做了增强且引入了类似图的结构。引入图是为了解决多跳问题同时也能解决全局问题。重点在输入数据层面做增强强调检索的“关系”和“视野”。1.3 纯多模态ColPail抛弃 OCR视觉即索引ColPali不再顺延传统的文字提取embedding 的思路而是直接在原始数据图、pdf数据上做处理切成一个个小块然后给小块生成视觉向量。检索的时候query 转为元 token然后对每个词计算图的最大相似度最后召回原始的文本图块给 VLM 作为上下文。这个方式缺陷和优点都太明显优点多模态场景下最强表格、图片统统不在话下。缺陷架构改变太大虽然底层依旧是向量数据库但是模型方面在线的生态一般。且这种元 token 切分的检索方式中文上处理实际要比英文复杂。并且对输入的数据有了要求如果业务上数据就是 txt、markdown 这种无法直接处理。重点直接依靠图来进行整个 RAG 流程天然多模态优势。实际业界更多对于图片的处理方式主要还是靠 VLLM 转为描述然后走正常文本召回然后给出原始数据结对直接跟最近的分布上最靠近bbox\最相关的多模态向量模型作为一对召回其关联文本块的时候直接带回1.4 长上下文OP-RAG模型上下文越来越长不再切分碎块。这个不展开说了简单说就是现在模型上下文越来越长且不像之前那么容易注意力涣散了召回的单元不再是之前那样特别碎的碎块了。很多都是直接把全文 or 一个长片段返回过去效果要比碎块好很多。检索的时候依靠类似父子索引可以很精确定位。相关的工作有 OP-RAG主要阐述了这么做的可行性和有效性。重点模型能力增强碎块作为检索单元的必要性不再存在。02生态地位的演变从 2023-2025 来看RAG 技术总体的定位演化表现在由保障大模型生成可靠性解决幻觉的框架 - agent 的 tool作为上下文保障的一个不可缺少的工具。核心的变动是由静态转向动态由于模型核心能力的增强不再需要每段话都必须被动检索而是按需检索由 agent 自己决定是否检索检索多久检索什么而不是之前的强制流水线agent 长期记忆的核心不再局限于文档知识库而是作为 agent 的长期个性化记忆库多模态势头VLM 的能力增强和成本降低使得 rag 场景也不再局限于文字模态数据结构的堆叠与架构复杂性上升越来越定制化的、不同的检索策略引入知识图谱 or 其他手段解决全局性问题03复杂检索策略简单的混合检索BM25向量目前看很多业务场景已经能满足需求但一些场景在数据维度增多的情况下 or 检索方向的变化下单一的检索策略已经不太能满足需求。之前了解到一些外部项目已经给 rag 设定高度定制化的检索策略比如对某个字段额外建立索引在召回中额外作为一条通路并且有自己的计分标准。再比如对原始数据构建索引的时候不再是向量这种形式还考虑bool这种简单的开关过滤。另外也会结合意图识别来动态的在业务中选择不同的检索策略。这里面 SR重排、QRquery 重写就不再赘述了也算是复杂检索策略的一环现在关注的更底层了。04意图识别实际上意图识别几乎成为了现在 rag 工业项目的标配。具体表现为在面临不同的 query 时选择什么样的检索策略和数据集。这部分和 agent 的 tool call 有相似但有区别具体可以区分类别为软硬路由主要是容错率的不同。另外这里根据具体的的需求实际落地的部分不一定是一个意图识别的模型。05评测的重要性除开以上的架构、算法角度的变动实际业务角度上评测变得越来越重要因为 RAG 参与的规模越来越大评测就变成了不可或缺的一部分。RAG 评测的核心目的是如何在上线前验证、证明 RAG 系统的有效性并且知晓问题加以改进以及在一些交付场景如何证明你的系统是有效且可靠的对于私域数据还重点关注数据的安全性和敏感性评测是推进业务闭环绝对的核心只有建立正常的评测机制才能做到有效的及时的对架构、算法、数据本身进行改进改良而非单纯的“业务需求”和“用户体验”。想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2025 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容​一、学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI1. 100本大模型方向电子书2. 26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC 实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。3. 600套技术大会 PPT听行业大咖讲实战PPT 整理自 2024-2025 年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。二、求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌1. 107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自 2021-2025 年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析2. 102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑3. 97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”三、路线必明 AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、关键技术以及大模型应用场景。L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。L5阶段专题集丨特训篇 【录播课】四、资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容​2025 年想抓住 AI 大模型的风口别犹豫这份免费资料就是你的 “起跑线”