王四的案例列表
智能问答RAG系统
该系统是一个金融领域的RAG问答系统，由于知识库类型繁杂，多样，并且对于回答准确率要求比较高，因此低于检索和大模型的性能要求较高。我们采用langchain框架构建整个系统 ，其中最关键，也是性能提升最大的两项工作是。 1、采用decode-only架构的reranker模型，基于已有文档数据构建问答对数据，并经过过滤、清洗获得高质量的微调数据，在此基础上优化、微调模型，极大提升检索模型的召回率。另外，检索模块中的embedding模型我们根据业务需求出发，采用动态embedd方法支持文本的多embedding需求。 2、基于用户已有数据，经过过滤、清洗等操作构造指令微调数据，使用SFT微
智能助理系统
RAG系统通过检索+生成双阶段架构增强大模型表现： 检索模块：将用户查询转化为向量，在向量数据库（如Qdrant、Milvus）中匹配相关知识片段13。 生成模块：将检索结果与用户输入组合为提示词，驱动大模型生成准确且可溯源的答案110。 核心优势 消除幻觉：依赖外部知识库（如企业文档、实时数据），杜绝无依据输出。 动态更新：仅需更新知识库，无需重新训练模型，支持时效性知识。 多模态扩展：支持文本、图像、语音等多源数据检索与生成（如医疗CT影像+报告分析）。 安全可控：集成护栏技术（如NVIDIA NeMo Guardrails），过滤敏感信息并保障数据隐私
案例判断参考
王四的案例列表
智能问答RAG系统
该系统是一个金融领域的RAG问答系统，由于知识库类型繁杂，多样，并且对于回答准确率要求比较高，因此低于检索和大模型的性能要求较高。我们采用langchain框架构建整个系统 ，其中最关键，也是性能提升最大的两项工作是。 1、采用decode-only架构的reranker模型，基于已有文档数据构建问答对数据，并经过过滤、清洗获得高质量的微调数据，在此基础上优化、微调模型，极大提升检索模型的召回率。另外，检索模块中的embedding模型我们根据业务需求出发，采用动态embedd方法支持文本的多embedding需求。 2、基于用户已有数据，经过过滤、清洗等操作构造指令微调数据，使用SFT微...
智能助理系统
RAG系统通过检索+生成双阶段架构增强大模型表现： 检索模块：将用户查询转化为向量，在向量数据库（如Qdrant、Milvus）中匹配相关知识片段13。 生成模块：将检索结果与用户输入组合为提示词，驱动大模型生成准确且可溯源的答案110。 核心优势 消除幻觉：依赖外部知识库（如企业文档、实时数据），杜绝无依据输出。 动态更新：仅需更新知识库，无需重新训练模型，支持时效性知识。 多模态扩展：支持文本、图像、语音等多源数据检索与生成（如医疗CT影像+报告分析）。 安全可控：集成护栏技术（如NVIDIA NeMo Guardrails），过滤敏感信息并保障数据隐私...
