Infer.store

用 10 行 Python 從頭實現 RAG – 無需框架！

不使用任何框架如 LangChain、LamaIndex 或向量存儲如 Chroma

🌟創建一個簡單的文檔聊天系統：基礎知識和實現步驟。

---

GraphRAG 提升全面性和多样性

• 智能問答系統：GraphRAG 能夠提高智能問答系統的準確性，提供多樣化的答案選項，大幅提升用戶體驗。
• 自動文本摘要：GraphRAG 能夠實現高效、準確的摘要生成，捕捉文本核心觀點，生成簡潔的摘要。
• 知識管理：GraphRAG 將成為企業和研究机构的重要工具，幫助構建企業級知識圖譜，提升内部知識資源管理和利用效率。

(英)Welcome to GraphRAG

👉 Microsoft Research Blog Post 👉 GraphRAG Accelerator 👉 GitHub Repository
👉 GraphRAG Arxiv

---

SenseVoice 具有音頻理解能力的音頻基礎模型

語音識別（ASR）、語種識別（LID）、語音情感識別（SER）和聲學事件分類（AEC）或聲學事件檢測（AED）

在多個任務測試集上的benchmark，以及體驗模型所需的環境安裝的與推理方式。

Mac M1 上實測，廣東話夾英文一齊都好準，不過出嘅係簡體中文！

---

訓練自己的大模型知識庫｜ 零成本 – YouTube

手把手教大家如何去訓練自己的大模型知識庫(rag)，並且通過llama+langchain+faiss搭建一套基於大模型的問答系統 (Google colab)

教你如何训练自己的大模型知识库｜ huggingface | llama ｜langchain ｜faiss | 零成本 ｜ google colab

---

給 AI “記憶” – RAG 基礎(英)

Intro to RAG for AI (Retrieval Augmented Generation)

---

LlamaIndex：用 Colab 建立向量資料庫 (RAG)

(英)官方教學 Building RAG from Scratch (Open-source only!)

本教程展示如何建立向量資料庫，建立檢索管道。值得注意的是，這是個完全開源的方案

---

Llama3 RAG on Google Colab(附源碼)

(英)Llama3 RAG on Google Colab

使用 Llama 3、LangChain、ChromaDB 和 Gradio 建立一個檢索增強生成 (RAG) 系統。

---

了解 Transformer “Attention is All You Need”

Attention is All You Need (Transformers)

Transformer 在 2017 年問世。筆者試圖解釋 Transformer 最具革命性的 「注意力」

---

文本嵌入 Text embeddings 的直覺

文本嵌入是將文本轉換為向量的關鍵

直覺對於理解一個概念非常重要

---

使用 Llama3 做 Embedding

Get Embeddings From Llama3

---