文件分割策略對於大型語言模型(LLM)的資訊檢索效能影響。現有資訊檢索基準測試通常以整篇文件的相關性評估效能，忽略了文件分割策略的重要性。RAG 文件分割(Text Chunking) 基於字元/詞(Token) 的分割、遞迴式分割、語義分割等，以找出最適合用於後續基於檢索增強生成（RAG）應用的最佳方法。
The BEST Way to Chunk Text for RAG
RAG 向量中的文件分割策略
Prefixing – 簡易提升 RAG 準確度
在向量數據庫應用中，「prefixes」指的是在文本塊輸入嵌入模型之前，在文本塊前插入一段描述其目的的文本。「prefixes」是一個簡單但有效的技術，可以顯著提高向量數據庫應用的準確性達 200%。
在 Olama 官方庫中的五個嵌入模型中，只有三個支持「prefixes」，Nomic、Snowflake Arctic 和 Mixed Bread 等。
儘管傳統的 LLM 可能更大，但它們不適合生成嵌入。嵌入模型專為生成嵌入而設計，它們的速度要快得多，並且可以產生更好的結果。Prefixing」嘅簡單技巧嵌入技巧。
Don’t Embed Wrong!
什麼是 RAG
What is RAG ?
What are LLM Embeddings ?
LocalGPT Vision – 多模態 RAG!
Goodbye Text-Based RAG, Hello Vision AI: Introducing LocalGPT Vision!
RagFlow：終極 RAG 引擎 – 語意搜尋、嵌入、向量搜尋 + 支援圖形！
RagFlow: Ultimate RAG Engine - Semantic Search, Embeddings, Vector Search + Supports Graph!
GraphRAG – Llama 3.1 和 Neo4j
本影片介紹如何使用開源模型執行 GraphRAG – Llama 3.1 和 Neo4j 作為圖形資料庫
Local GraphRAG with LLaMa 3.1 - LangChain, Ollama & Neo4j
嵌入(Embedding)對於 RAG 的重要
嵌入(Embedding)對於 RAG 系統至關重要，但經常被忽略。本視頻介紹了成本、儲存注意事項以及使用降維和量化等技術降低儲存需求的方法。了解這些方法如何在不影響效能的情況下提高速度並節省成本。
The Hidden Cost of Embeddings in RAG and how to Fix it
三分鐘為GraphRAG實現3D知識圖譜
🔥三分钟为GraphRAG实现3D知识图谱！从Parquet到3D可视化，用Python打造3D知识图谱：NetworkX与Plotly的完美结合 #graphrag #rag #知识图谱 #ai
