在人工智能快速发展的浪潮中，基于检索增强生成 (RAG) 的应用正成为各行业数字化转型的利器。RAG 应用结合了检索和生成模型的优势，赋予企业强大的数据分析和预测能力，为业务增长注入新动能。 不同于传统的 AI 应用，RAG 通过检索模型快速访问并筛选海量数据，精准定位用户所需信息，再利用生成模型将信息整合、转化为易于理解的文本或其他形式输出。这一过程极大简化了[信息检索](https://en ...

RAG的第一步是检索每个查询的多个文档，通常这些文档与查询无关。因此，我们需要一些外部技术来改进这些结果。最终，搜索的强大程度取决于其结果的相关性。 在应用向量搜索时，由于一些原因，常常会丢失一些语义信息。例如，文档需要被分解为较小的子文档，这可能导致上下文 ...

在现代数字时代，个性化建议对于增强用户互动至关重要。例如，音乐流媒体应用程序利用您的听歌习惯来推荐与您的口味、流派或心情相符的新歌曲。然而，这些系统是如何决定哪些歌曲最适合您的呢？ <img src="../../assets/cosine-similarity-vs-euclidean-distance/transfo ...

虽然文本搜索非常常见，但在某些情况下，我们需要使用图片作为搜索查询来搜索图片——比如寻找相似的照片或通过图片识别产品。这种方法被称为[基于图片的搜索](https://myscale.com ...

近年来，人工智能（AI）在大型语言模型（LLM）领域取得了一些重大变革。这些模型，如OpenAI的 ...

向量技术使我们能够超越耗时耗资源的传统学习方式，并使用更加快速且高效的简单搜索。向量数据库非常适合存储高维向量数据，例如数值、文本或图像数据。像 MyScale 这样的 SQL 向量数据库，借助 SQL 的强大功能以及 MSTG 索引等出色特性，使用户无需担忧复杂的数据处理和其他后端操作。 Amazon Bedrock 是一项 ...

人工智能的兴起引发了基于LLM的应用开发浪潮，向量数据库通过高效处理大规模结构化和非结构化数据发挥着关键作用。其中，基于ClickHouse构建的SQL向量数据库MyScaleDB已成为开发者的首选。MyScaleDB与SQL完全兼容，使开发者能够以最小的学习曲线构建生成式AI应用，与低代码平台配合使用，进一步降低了开发门槛。 最近，MyScaleDB与领先的低代码平台DronaHQ集成，提供了 ...

检索增强生成（RAG）作为人工智能领域的重大进步，改变了聊天机器人与用户互动的方式。RAG将检索方法与生成式人工智能相结合，使聊天机器人能够从大型外部数 ...

传统的图像分类模型，如卷积神经网络（CNN），多年来一直是计算机视觉任务的基石。这些模型通过在大型标记数据集上进行训练来运作，其中每个图像都与特定的类别标签相关联。通常，这些模型依赖于N-shot学习，这意味着它们需要大量标记图像（N个示例）来实现高准确性。 然而，这些传统模型面临着几个重要挑战。首先，它们需要大量标记数据，这在时间和成本上都是耗费的。此外，传统模型在泛化方面存在困难，特别是当示 ...

在当今快节奏的 AI 时代，各种规模的企业都在积极探索将大型语言模型 (LLM) 融入日常运营。LLM 无论是在提升客户服务、自动化例行任务，还是打造个性化体验方面，都潜力巨大，带来显著效益。 然而，LLM 应用从概念到落地的过程往往困难重重，尤其是对缺乏深厚技术背景的用户而言，传统方法需要大量的编程知识，这成了许多人难以逾越的障碍。 Dify 应运而生，它是一个开发者友好的平台，致力于简化 ...

在科学研究中，文献调研是至关重要的环节。根据美国国家科学基金会的统计，科研人员花费在查找和消化科研资料上的时间占全部科研时间的51%。尽管查阅式和搜索式检索仍是主流方法，但随着大语言模型的快速发展，越来越多的人开始利用人工智能方法进行文献调研。 作为 AI for Science 基础设施的“替代文献的数据库与知识库”的创新项目之一，[Science Navigator 1.0](https:/ ...

ChatGPT和其他大型语言模型（LLMs）在理解和生成类似人类的文本方面取得了重大进展。然而，它们在保持准确性和相关性方面经常遇到困难， ...

使用大型语言模型（LLM）开发可扩展和优化的AI应用程序仍处于发展阶段。基于LLM构建应用程序由于涉及大量手动工作（如提示编写）而变得复杂且耗时。提示编写是任何LLM应用程序中最重要的部分，因为它帮助我们从模型中提取最佳结果。然而，编写优化的提示需要开发人员大量依赖试错方法，浪费了大量时间，直到达到所需的结果为止。 传统的手动编写提示的方法耗时且容易出错。开发人员经常花费大量时间调整提示以达到所 ...