RAG的案例
使用大型語言模型（LLMs）、檢索增強生成（RAG） ￥5
- 課程成果：課程結束時，你將能夠：構建可投入生產的生成式AI系統；設計穩健的提示詞和智能體架構；實現RAG流水線和語義搜索；開發全棧大型語言模型應用程序；優化成本、延遲和可擴展性；部署安全、合規的企業級AI。
- 解壓密碼：0daydown
###
高級RAG：構建與部署生產級生成式AI應用 發布于2026年，視頻格式MP4，視頻編碼h264，分辨率1920×1080，音頻編碼AAC，采樣率44.1kHz，雙聲道。課程共114講，時長11小時
高級RAG：構建與部署生產級生成式AI應用 發布于2026年，視頻格式MP4，視頻編碼h264，分辨率1920×1080，音頻編碼AAC，采樣率44.1kHz，雙聲道。課程共114講，時長11小時，文件大小10.1GB。 你將學到：使用BM25混合搜索、RRF融合與Qdr
大語言模型(LLM)在塑膠射出成型產業上的應用
圖3：透過模型微調的方式，更改大語言模型參數，以應用在專業領域的問答服務上
? 擷取增強生成(Retrieval-Augmented Generation, RAG）
如圖4所示，擷取增強生成(Retrieval-Augmented Generation, RAG)是提升LLM在專業領域表現的一種有效技術。RAG將信息檢索與生成模型相結合，通過檢索相關資料來輔助生成更準確的回答。
在RAG的實施過程中，首先需要構建或接入一個專業的知識庫，該知識庫通常由企業內部的文檔、專業資料、數據庫或網絡資料組成。當用戶提出問題時，檢索系統首先在知識庫中找到與問題相關的文檔或段落。這些檢索結果作為上下文信息，與原始問題一起被輸入到LLM中。
LLM在生成答案時，不僅依賴于自身訓練過的知識，還可以參考檢索到的具體信息，從而生成更具針對性和準確性的回答。這種方法特別適合處理需要精確和專業知識的問題，如技術支持、產品信息查詢等。
RAG結合了檢索的高覆蓋率和生成的靈活性，顯著提高了LLM在專業應用中的實用性，特別是在處理模糊問題或需要高精度信息的場景下。這種方法不僅增強了模型的專業性，還能動態更新知識庫，以適應快速變化的業務需求。
圖4：透過擷取增強生成的方式，搜尋企業內部的數據資料來增強數據內容的完整性，以提供企業內部的問答服務上
透過模型微調(Fine-Tuning)或擷取增強生成(RAG)的方式，都可以幫助泛用型的開源LLM模型滿足工業領域對精確性和專業性的要求，并應用在企業內部的問答服務上。
結論
總的來說，大語言模型代表了人工智能領域的一次重大進步，其強大的語言理解和生成能力為大家的創新提供了新動力。
展開 工程碩士：碩士人工智能和大型語言模型（LLMS） ￥6
您將學
到什么 通過選擇、培訓和應用 LLM 來設計和開發給定業務問題的完整解決方案
比較和對比提高 LLM 解決方案性能的最新技術，例如 RAG、微調和代理工作流程
權衡領先的 10 個前沿 LLM 和 10 個開源 LLM，并能夠為給定任務
選擇最佳選擇通過應用領先的開源平臺、框架和工具來解決問題，包括Hugging Face、Gradio和Weights & Biases
。 說明常見的AI范式，并確定最適合每個
范式的業務問題類型。 定義圍繞深度學習的基本數據科學概念，包括訓練與推理，泛化與過度擬合，以及神經網絡
背后的關鍵思想。描述核心概念，如生成式AI、LLMs和Transformer架構，并討論以最先進的性能
可以實現什么。 詳細解釋LLMs如何工作，以便能夠訓練和測試它們，將它們應用于新的場景，并診斷和修復常見問題
。 使用前沿和開源模型在Python中實施LLM解決方案，包括API和直接推理。
執行代碼以編寫文檔、回答問題和生成圖像。
要求
熟悉 Python。本課程不涵蓋 Python 基礎知識，而是用 Python 完成的。
描述
掌握生成式 AI 和 LLM：為期 8 周的實踐之旅通過行業資深人士 Ed Donner 領導的實踐項目加速您在 AI 領域的職業生涯。構建高級生成式 AI 產品，試驗 20 多種開創性模型，并掌握最先進的技術，如 RAG、QLoRA 和 Agents。? 使用尖端模型和框架構建高級生成式 AI 產品。? 試驗 20 多種開創性的 AI 模型，包括 Frontier 和開源模型。? 熟練使用 HuggingFace、LangChain 和 Gradio 等平臺。? 實施最先進的技術，如 RAG（檢索增強）生成）、QLoRA 微調和代理。
展開 
數據分析與AI丨如何選擇合適的知識圖譜軟件，CTO/CIO 必問10個關鍵點
檢索增強生成（RAG）技術可以將生成式AI的參考范圍限定在真實驗證信息內，而圖RAG（GRAG）通過利用知識圖譜的上下文信息進一步減少“幻覺”，為提示添加上下文，提升響應準確性，且在結構化數據源與非結構化文檔的關聯構建上更高效。
此外，圖RAG基于企業數據生成響應，能提升內容清晰度與非技術用戶的可操作性。
建議要求供應商詳細說明：其知識圖譜平臺對圖RAG的支持機制，并在概念驗證中用企業數據演示實際效果。
成功的知識圖譜應用應通過內置功能與集成能力，釋放生成式AI的全部潛力，同時使AI響應可追溯來源——這是建立決策信任與透明度的關鍵。
據LinkedIn報告，通過將企業知識圖譜與 RAG 系統結合使用，其客戶服務人工智能的準確率提高了 78%，同時問題解決時間縮短了 29%。
8. 人工智能生成的答案透明度與可解釋性如何？
使用人工智能系統的每個人都必須能夠信任其輸出。該解決方案能否為每個答案提供清晰的解釋和推理路徑？如果無法解釋和看到系統是如何得出答案的，那么就難以信任這些信息。
需要要求供應商演示：AI 響應如何基于知識圖譜及其本體論生成；響應是否具備可追溯性、可解釋性與可審計性。
9. 價值實現周期多長？
團隊從軟件投資及相關實施成本中獲得回報的速度有多快？系統是否需要大量定制開發？
建議要求供應商：提供案例研究與基準數據（尤其針對大規模、多源部署場景），關注能否在數月內投入使用？還是實際需要一年以上？
10. 供應商的支持服務如何？
建議跟供應商確認：其實施團隊專業度如何？是否具備豐富的知識圖譜構建經驗？能否提供響應迅速的技術支持、全面的文檔與活躍的實踐社區？
展開 數據分析與AI丨在企業環境中利用知識圖譜賦能生成式 AI
將 <strong>LLM 生成的響應限制在給定上下文信息內，若上下文準確，響應也可能更準確，這種技術被稱為檢索增強生成（RAG）技術。</strong></p><p><br></p><p>很多主流搜索引擎已開始將 RAG 技術與現有搜索索引結合，以有效生成對搜索問題的答案，通常還會提供用于為LLM提供上下文的網頁參考URL。<strong>知識圖譜作為 RAG 的重要新形式，為生成或利用上下文基礎的技術提供支持。</strong></p><p><br></p><p>即使在上下文基礎不太具體且更依賴于從訓練數據中獲得現實世界知識的場景下，GenAI 也能發揮作用，如生成營銷內容、創作詩歌故事、頭腦風暴創意等無標準答案的任務。目前，大多數 GenAI 解決方案采用結合多種方法的技術組合。</p><p><br></p><p><strong>02.知識圖譜如何強化企業數據并支持 GenAI 解決方案</strong></p><p><br></p><p>知識圖譜不僅能可視化數據，更重要的是，<strong>其語義建模和描述為企業數據賦予了有意義的上下文</strong>。本體論作為概念模型，以業務用戶和領域專家熟悉的術語描述數據，簡化數據集成，促進語義層的形成，方便添加和連接新數據，提升數據發現、理解和重用的效率，推動業務價值。</p><p><br></p><p>對知識圖譜的查詢提供了數據基礎，為不同的用戶提供了定制化的服務和體驗。<strong>知識圖譜既是集成數據源的工具，也是應用本體模型的結果，構建起全面且可操作的知識資源。
展開 本地部署 DeepSeek 私有助手：從零到上線的完整方案
提供 Web UI、知識庫、RAG、工作流等工具。
支持完全離線運行，確保數據安全。
2. 部署前準備
硬件要求
CPU：≥ 2 核
GPU/RAM：≥ 16 GiB（推薦）
軟件要求
Docker
Docker Compose
Ollama
Dify 社區版
3. 安裝 Dify 社區版
bash
git clone https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env
docker compose up -d
安裝完成后，訪問：
http://your_server_ip
4. 在 Dify 中接入 DeepSeek
打開 Profile → Settings → Model Provider。
選擇 Ollama 并點擊“添加模型”。
模型名稱：deepseek-r1:7b（根據實際部署填寫）。
基本 URL：http://your_server_ip:11434。
5. 構建 AI 應用
(1) 聊天機器人
創建空白應用 → 選擇“聊天機器人”類型 → 指定 DeepSeek 模型 → 測試交互。
(2) 知識庫增強（RAG）
上傳內部文檔 → 啟用父子分塊保留結構 → 將知識庫接入 AI 應用上下文 → 提升回答準確性。
(3) 工作流集成
可加入 Web 搜索節點、代碼執行節點、負載均衡和錯誤處理節點，實現更復雜的自動化邏輯。
展開 北斗助文遺：賦千年古建新活力
其中，北斗智能市場上線的一款全系統高精度普適性形變監測接收機HG-BX-RAG360服務套裝作為專為形變監測服務的GNSS接收機，內置千尋位置毫米級服務，實現對位置的精準監控，在充足的現場勘測和需求確認后可有機會實現對古建筑的安全監測。
全系統高精度普適性形變監測接收機HG-BX-RAG360服務套裝
功能亮點
1. “瞬間”實現RTK初始化，達到mm級定位精度，即便在樹蔭及城市峽谷等嚴苛環境，BX-RAG360也能快速可靠地獲得RTK定位結果，便于不同環境下古建筑的形變的監測。
2. 支持大數據量、多個不同數據流的高速輸出，經過嚴格測試，可在嚴苛環境下正常運行，避免因設備故障率高而出現古建筑無法正常監測的情況。
總結
正如北京建筑大學古建筑專業副教授齊瑩所說：“與擁有各項嚴格的安全規范，在設計、施工和管理的各個環節都考慮了防災能力的現代建筑相比，我國古建筑主要存在規劃選址和基礎處理準備相對不足、施工砌筑工藝相對落后、無法兼顧強度和韌性等特點。”古建筑保護需要更進一步，這更是國家文遺保護的重要部分。不論是智慧形變監測還是三維實景助力維護修繕，都是北斗對文遺保護的數字化推進成果。
掃描下方二維碼或點此查看更多北斗產業相關資訊、產品及解決方案。
展開 結構化知識庫+研發智能體｜開啟智能研發時代
其核心能力不但是通用大模型的有效集成，還通過GraphRAG（基于圖結構的檢索增強生成）+RAG（檢索增強生成）雙引擎的高效技術融合推動智能體基于真實的業務數據理解用戶問題，并提供可追溯，有依據的準確答案。
RAG讓大模型去“翻書”，GraphRAG讓大模型先去“看關系圖譜”，理解知識點之間的邏輯關聯，再回來找證據。這樣既能回答“是什么”，也能回答“為什么”和“如果……會怎樣”，同時從根本上抑制AI幻覺。
?
編輯
RAG+GraphRAG雙引擎接入大模型
更重要的是，NexAI不是單一工具，而是一套面向工業研發場景的智能體套件。這些智能體各司其職：有的寫需求，有的畫時序圖，有的分析仿真云圖，有的做項目風險預警。它們共享同一個底層知識庫，在研發設計、仿真分析、項目管理的全鏈條中協同工作。
PART/2
深度解析：NexAI在工業研發中的關鍵能力
下面聚焦幾個對研發工程師最實用的功能。
1有據可查的智能問答：解決AI幻覺
你可以用自然語言提問，例如：“去年XX項目的起落架減震器，在高溫工況下的材料參數是什么？”
NexAI會做三件事：理解意圖 → 在融合了PLM/PDM/TDM等系統的知識圖
譜中精準檢索 → 生成帶引文、帶出處、帶具體位置的回答。它告訴你答案來自哪份報告的哪一頁哪一張表。你才敢用、敢信。
?
編輯
答案生成顯示引用文獻
2自然語言驅動設計：從口述到模型
?
編輯
自然語言繪制CAD模型，支持Web端輕量化預覽
NexAI集成多模態大模型，允許用自然語言直接生成基礎模型。
自然語言建模：通過NexAI智能體，可以實現自然語言交互的方式，生成FreeCAD模型代碼，并直接進行輕量化展示。
?
展開 swedrftgyhuji
id=7QUWIaMZj1S2S4rag?840=3K
https://h5.weishi.qq.com/weishi/feed/7QUWIaMZj1S2S4rag
https://m.weishi.qq.com/vise/share/index.html?id=7QUWIaMZj1S2S4rag
https://h5.weishi.qq.com/weishi/feed/7QUWIaMZj1S2S4rag?a4Y=021335
https://h5.weishi.qq.com/weishi/feed/7QUWIaMZj1S2S4rag?0319=cTDAe
https://h5.weishi.qq.com/weishi/feed/7QUWIaMZj1S2S4rag?46555=8c6
https://h5.weishi.qq.com/weishi/feed/7QUWIaMZj1S2S4rag?8999=2W
https://h5.weishi.qq.com/weishi/feed/7QUWIaMZj1S2S4rag?808=rR
https://m.weishi.qq.com/vise/share/index.html?id=7QUWI2oHa1S2S4QSm
https://m.weishi.qq.com/vise/share/index.html?id=7QUWI2oHa1S2S4QSm?847=D4
https://h5.weishi.qq.com/weishi/feed/7QUWI2oHa1S2S4QSm?
展開 數據分析與AI丨Graph+LLM 如何重塑傳統 BI 的未來
</p><figure style="text-align: center;"><figure class="figure-image" contenteditable="false" data-img="https://img.jishulink.com/202510/attachment/3eb792446b7648a9b2e3a4b0d670e37f.png" style="display: inline-block;"><img src="https://img.jishulink.com/202510/attachment/3eb792446b7648a9b2e3a4b0d670e37f.png"></figure></figure><p><br></p><p class="ql-align-justify"><strong>1.RAG-檢索增強生成</strong></p><p class="ql-align-justify">RAG 技術已日趨成熟，其核心流程為將非結構化文檔分割為文本塊，通過嵌入模型將其向量化，并存儲至向量數據庫。當用戶提問時，問題同樣被轉化為向量，用于檢索數據庫中與之最相似的回答，隨后由大模型對這些回答進行總結并反饋給用戶。</p><p class="ql-align-justify">然而，RAG 技術也存在不足之處，為了增強其性能，GraphRAG 被引入以提升回答能力。但無論是 RAG 還是 GraphRAG，它們主要聚焦于非結構化數據（如 Word 文檔、PPT 等），而對結構化數據（如表格數據）的支持則相對薄弱。
展開 
行業分享丨Data+LLM：AI 在智能制造數字化轉型中的應用
wx_fmt=png&from=appmsg"></p><p>第二種方法是檢索增強生成（RAG）方式，這是目前最常用的方法之一。簡單來說，這種方法不需要大型模型直接擁有企業內部的數據，而是通過 RAG 方式將數據外掛于模型之外。</p><p>具體流程如下：</p><ul><li class="ql-align-justify">數據預處理：首先，我們將文本數據進行切片，并將其向量化，構建索引后存儲在向量數據庫中，以便后續用于問答檢索。</li><li class="ql-align-justify">用戶查詢處理：當用戶輸入查詢或問題時，大型模型會在向量數據庫中搜索與用戶查詢最相關的文檔片段。</li><li class="ql-align-justify">結果匯總與整理：模型會返回最相關的前五個文檔片段。基于這些內容，模型進一步匯總和整理信息，最終生成回答以響應用戶的查詢。</li></ul><p>通過這種方式，大模型可以高效地利用外部數據，而無需直接存儲和處理企業內部的具體數據。這不僅減少了對計算資源的需求，還提高了回答的準確性和相關性。</p><p><br></p><p class="ql-align-center"><img src="https://mmbiz.qpic.cn/sz_mmbiz_png/EBaibcQicPxgx96XPPq4S2xnBe7dICibo9gG6LlCMlWqDAxp5QfWywSBaT5icsCnnhkicja3NnMA8zD1dzWmXibMJ2jw/640?wx_fmt=png&from=appmsg"></p><p>RAG（檢索增強生成）方法在處理文檔數據方面表現出色，但對于結構化表格數據的支持相對不足，尤其是對市面上大多數關系型數據庫的支持較為有限。
展開 智能結構仿真軟件AIFEM 2026R1發布
結合RAG檢索增強生成技術，減少大模型“幻覺”，提高知識檢索準確性和可靠性，解答用戶關于結構仿真和軟件使用的問題。
2、前處理
支持ECAD導入建模和導線映射，大幅提升復雜電子系統建模仿真效率。
新增抽中面功能，支持自動、手動抽取薄壁件中面生成殼模型，自動記憶厚度，并可一鍵創建殼屬性。
新增循環對稱約束，支持全周擴展顯示，適用于大型旋轉機械的靜態、動態、熱學分析，提升計算效率。
3、分析求解
多物理場分析能力增強，新增強熱固耦合分析，支持導入上游電磁、流體分析結果進行單向流熱固耦合分析。
工藝過程仿真能力增強，新增漸進式生死單元、移動熱源、路徑輔助函數等多項功能，可模擬3D打印、平行縫焊、切割等工藝過程仿真。
新增監控請求和計算監控功能，支持在求解過程中查看殘差、點位移等參數或變量，幫助用戶及時發現問題，提升工作效率。
4、后處理
后處理新增應力疲勞分析模塊，支持對稱循環、零基循環等多種載荷循環方式，包含Goodman、Soderberg等多種平均應力理論可供選擇。可基于應力結果預測循環載荷下結構壽命、損傷、安全系數，從而在設計階段規避因疲勞導致的失效風險。
5、易用性提升
腳本錄制和運行：新增腳本錄制和運行功能，支持批量仿真、二次開發，提升工作效率。
在線文檔：提供將用戶操作手冊、案例庫和常見問題等融為一體的在線幫助文檔，提升仿真的專業性、準確性和效率。
展開 數據分析與AI丨從傳感器到智能決策：數據驅動企業發展與 ESG 創新的全鏈路實踐
</p><p class="ql-align-justify"><strong>2.LLM + Graph RAG</strong></p><p><img src="https://mmbiz.qpic.cn/sz_mmbiz_png/EBaibcQicPxgySddksiavBkxiaFrLicZibxnnDKiccV4FRsDvgDoarTtV9OkSPIt9pAROLs9RicGdC8OKVGabljBgvich4Q/640?wx_fmt=png&from=appmsg"></p><p class="ql-align-justify">Graph RAG 技術最初由微軟提出，雖然目前已有很多開源實現，但大多仍是文檔級的本地應用，難以支撐企業級知識庫的建設。為此，我們基于自身收購的圖數據庫（Graph Studio），構建了完整的 Graph RAG 解決方案。</p><p class="ql-align-justify">通過這個方案，我們能夠以“注塑工藝優化指南”為例，將復雜的文檔內容拆分為參數篇、曲線篇、案例篇等多個結構化部分。利用大語言模型進行實體關系抽取，比傳統 NLP 技術（如 NER）在中文場景下更為高效。舉例來說，我們可以抽取出“三元組”：如“壁厚產品”關聯“保壓時間大于 5 秒”、“飛邊缺陷”對應“鎖模力不足”、“材料 ABS”對應“最佳熔融溫度為 220-240°C”等。這些三元組可通過圖數據庫進行存儲與檢索。</p><p class="ql-align-justify">后續我們可基于這些三元組做實體消歧、描述標準化與參數噪聲過濾，并將清洗后的數據存入知識圖譜中，構建成 Graph RAG 系統的知識基礎。
展開 AI for CAE：仿真智能體開啟“普惠仿真”新時代
云道智造的工程師正在致力于研發仿真智能體，融合了多智能體交互、檢索增強生成（RAG）、強化學習修正和生成式等技術，并采用國產開源的DeepSeek 作為底層大語言模型。系統支持用戶通過自然語言輸入需求，仿真智能體能夠精準理解用戶意圖并將其轉化為可執行的仿真任務，實現從模型構建到仿真分析的全流程自動化。
有了仿真智能體，用戶無需具備任何仿真知識或軟件使用經驗，即可完成復雜的仿真任務，極大地降低了技術門檻。這一創新模式與云道智造所倡導的"普惠仿真"的理念高度契合，即通過智能化手段，讓仿真技術突破長期以來的專業壁壘，使更廣泛的用戶群體能夠輕松使用先進的仿真工具，推動仿真技術的大眾化進程。
目前，仿真智能體已經具備了初步功能。下面就讓我們一起來看下吧~！↓↓↓
用戶輸入：“我想要完成一次芯片散熱仿真”，AI助手便會自動根據知識庫，智能生成案例，運行建模、網格離散、方程求解與后處理的全部流程，并輸出結果↓↓↓
如果用戶對輸出的結果不滿意，只需輸入想要調整的幾何結構，例如“將散熱片的高度增加為五倍”，軟件便會自動完成案例修正，并輸出新的結果↓↓↓
以下案例展示了用戶通過自然語言輸入精確的仿真需求，智能體能夠直接根據描述生成完全符合用戶需求的仿真案例。可以說，用戶與軟件的交互過程簡化為與智能助手的對話過程↓↓↓
未來，仿真智能體還將引入優化設計功能，用戶只需要告訴智能體需要實現的參數指標，智能體就能自動、循環完成“生成式設計-自動仿真驗證-迭代優化”過程，最終輸出滿足用戶需求的結果。仿真技術將不再是專家的專屬工具，而應成為每個創新者都能輕松使用的高效生產力工具。
展開 