- 综合排序
- 最热优先
- 最新优先
- 来自专栏多模态 / RAG / 知识图谱
RAG 系列 01 — Naive RAG
系列说明：这是RAG工程化系列第一篇，目标是把四代RAG（NaiveAdvancedModular/Agentic）逐一拆透。每篇聚焦一种范式，讲它真正能做什么、做不到什么、工程上怎么落地。 读完你会知道：NaiveRAG的8颗工程地雷分别在哪哪些可以在Naive阶段解决，哪些必须升级才能解决怎么判断"该升级了"vs"再调调还能救"一份可直接对照的上线Checklist如果你正在做RAG，或者刚被领导塞了 8.1为什么Naive阶段就要做我见过的失败RAG项目，90%都没有GoldenSet。 继续在Naive阶段调没用，去升级。 九、决策框架：何时停在Naive，何时必须升级9.1应该停留在Naive的场景场景理由单一产品FAQ文档同质化高内部小工具（<50用户）投入产出不划算真正的POC（≤1个月）验证业务价值文档高度规整（如
34522编辑于 2026-05-23 - 来自专栏码匠的流水账
聊聊langchain4j的Naive RAG
序本文主要研究一下langchain4j的Naive RAG示例public class Naive_RAG_Example { /** * This example demonstrates how to implement a naive Retrieval-Augmented Generation (RAG) application * By "naive", we mean that we won't use any advanced RAG techniques. 就是我们不会使用任何高级的RAG技术，Easy RAG使用了EmbeddingStoreIngestor来隐藏了文档解析、分割、嵌入、嵌入存储，Naive RAG亦可使用。 Naive RAG使用EmbeddingStoreContentRetriever.builder()进行查询相关的定制(Easy RAG直接使用EmbeddingStoreContentRetriever.from
44400编辑于 2025-03-19 - 来自专栏多模态 / RAG / 知识图谱
企业RAG为何总失败：90%是工程，不是模型——从 Naive RAG 到 Agentic RAG
引言：你以为你在做RAG，其实你在做一个永远调不好的搜索引擎2025年底，一位朋友的团队上线了他们的第一版企业知识库RAG。 如果你正在做RAG、或者正准备做RAG、或者刚被领导塞了"我们也要搞个AI搜索"的需求——这篇文章值得你30分钟。 Naive/Advanced/ModularRAG都是线性管线——固定的步骤,固定的顺序,LLM只在最后生成答案。 四、企业RAG的真实难题:90%工程,10%AI如果你只做消费级或科研级RAG,前三章已经够用。但如果你在做企业RAG,真正的难题才刚开始。 结语:克制是最稀缺的工程品质走完从Naive到Agentic的全程,我想最后留下一个观察。2024年到2026年,我看过太多RAG项目失败的尸体。
61721编辑于 2026-05-21 - 来自专栏小数志
Naive Bayes——Naive在哪？
导读 经典机器学习算法中，Naive Bayes可占一席之地，也是唯一一个纯粹的概率分类算法模型。考虑其原理简单却不失强悍性能，Naive Bayes是个人最喜爱的算法之一——当然，另一个是决策树。 贝叶斯其人，据说只是业余数学家 Naive Bayes，中文译作朴素贝叶斯，这里Naive的原义是幼稚的，常常带有一点贬义的味道，用在这个算法命名中翻译为朴素，也称得上是一种包容了。 这就涉及到朴素贝叶斯的一个核心假设：朴素（Naive）！ 问题可描述为： 用机器学习语言描述：B1……Bn表示每一列特征取值，A代表分类标签结果。 最后，Naive Bayes中的Naive，难道仅表示各特征列相对独立的这一朴素的假设吗？其实不然！ 还有另外一层隐藏的含义在于：Naive Bayes还假设各特征对标签预测的重要程度（feature_importance）是一致的！ ?
81421发布于 2020-12-03 - 来自专栏算法修养
HUST 1606 - Naive
1606 - Naive 时间限制：3秒 内存限制：128兆 779 次提交 138 次通过 题目描述 Give you a positive integer x, determine whether
48560发布于 2018-04-26 - 来自专栏Python乱炖
MachineLearning---Naive Bayes
今天我们主要来一个比较“朴素”的算法，朴素贝叶斯（Naive Bayes），至于它为什么朴素我们待会儿再讲吧！ 首先，我们来看一下贝叶斯算法，它是干嘛的呢？
57840发布于 2019-09-23 - 来自专栏《三桥君 | AI产品方法论》
在AI技术快速迭代的背景下，如何通过RAG技术提升模型的实时性和准确性？从Naive RAG到Modular RAG：AI技术进化的关键路径
RAG通过将检索与生成相结合，不仅提升了模型的实时性，还显著提高了生成内容的准确性和深度。 然而，RAG技术并非一成不变。 从最初的朴素RAG（Naive RAG）到如今的高级RAG（Advanced RAG）和模块化RAG（Modular RAG），这一技术经历了多次迭代和优化。 本文三桥君将深入探讨RAG技术的演进路径，分析其在不同阶段的技术原理、应用场景以及未来发展方向。 二、朴素RAG：技术探索的起点 1. 用户需求驱动 方式 效果 引入用户反馈机制 根据用户反馈不断优化生成内容，提升用户满意度 六、总结 从朴素RAG到模块化RAG，RAG技术的演进不仅展示了AI技术在检索与生成领域的巨大潜力，也揭示了技术背后的复杂细节和挑战 而模块化RAG则通过模块化设计和灵活组合，将RAG技术推向了新的高度，使其能够应对更加复杂和多样化的应用场景。
47710编辑于 2025-08-29 - 来自专栏腾讯云容器专家服务的专栏
Cloud Naive最佳开发实践
经过多年的工作，我们的精神导师John领悟了java那一套docker in docker的艺术并带到golang项目架构设计中。
35910编辑于 2025-10-25 - 来自专栏用户9199536的专栏
System|网络|Naive SEDA实现
SEDA是流水线化的事件驱动模型，能够异步地执行服务。和直接用事件驱动模型相比，SEDA更加去中心化与模块化。之前看了SEDA的论文，干脆拿Java NIO自己手撸个玩具实现吧
32850发布于 2021-11-22 - 来自专栏ml
HDUOJ-------Naive and Silly Muggles
Naive and Silly Muggles Time Limit: 2000/1000 MS (Java/Others) Memory Limit: 32768/32768 K (Java/Others Naive and silly "muggles"(who have no talents in magic) should absolutely not get into the circle, nor
77260发布于 2018-03-21 - 来自专栏无限可能的程序开发
react-naive工作原理
react-naive工作原理是从react的工作原理衍生出来的 react的工作原理 在react中，virtual dom 就像一个中间层，介于开发者描述的视图与实际在页面上渲染的视图之间。
76110编辑于 2023-10-16 - 来自专栏python3
朴素贝叶斯(Naive Bayesian
简介 Naive Bayesian算法 也叫朴素贝叶斯算法（或者称为傻瓜式贝叶斯分类） 朴素（傻瓜）：特征条件独立假设 贝叶斯：基于贝叶斯定理 这个算法确实十分朴素（傻瓜），属于监督学习,它是一个常用于寻找决策面的算法 在终端输入下面的代码安装sklearn pip install sklearn sklearn库官方文档http://scikit-learn.org/stable/modules/generated/sklearn.naive_bayes.GaussianNB.html [3, 2]]) >>> Y = np.array([1, 1, 1, 2, 2, 2]) #生成六个训练点，其中前三个属于标签（分类）1 后三个属于标签（分类）2 >>> from sklearn.naive_bayes classifier on the training features and labels ### return the fit classifier from sklearn.naive_bayes
77220发布于 2020-01-17 - 来自专栏互联网大杂烩
朴素贝叶斯(Naive Bayes)
CountVectorizer() X_train=vec.fit_transform(X_train) X_test=vec.transform(X_test) #导入朴素贝叶斯模型 from sklearn.naive_bayes mnb.predict(X_test) #分析分类性能 from sklearn.metrics import classification_report print('The accuracy of Naive
67810发布于 2018-08-22 - 来自专栏向治洪
Naive Ui Admin前端集成框架
简介 Naive Ui Admin 是基于 vue3,vite2,TypeScript，搭配使用 Naive Ui 组件库形成一套开箱即用的中后台前端解决方案，Naive Ui Admin 遵守 Naive 工作台 表单页面 列表页面 异常页面 结果页面 设置页面 系统设置 菜单权限 角色权限 页面组件 ProTable 基础表格 上传图片 滑块验证码 持续开发中… 效果展示 naive-ui-admin - 熟悉 Vue 基础语法 TypeScript - 熟悉TypeScript基本语法 Es6+ - 熟悉 es6 基本语法 Vue-Router-Next - 熟悉 vue-router 基本使用 Naive-ui-admin - ui 基本使用 Mock.js - mockjs 基本语法 安装使用 获取项目代码 git clone https://github.com/jekip/naive-ui-admin.git 安装依赖 cd naive-ui-admin yarn install 运行 yarn dev 打包 yarn build Git 贡献提交规范 参考 vue 规范 (Angular) feat 增加新功能
2.1K30编辑于 2022-11-30 - 来自专栏【腾讯云开发者】
RAG发展一篇文就入门！
02、RAG 的发展 从近年 RAG 的发展历程看，RAG 主要经历了 Naive RAG、Advanced RAG、Modular RAG、Graph RAG，以及最近热门的 Agentic RAG Naive RAG 是 RAG 最基础的实现。 Advanced RAG 是在 Naive RAG 的基础上，对检索前、检索、检索后分别进行优化。 2.1 Naive RAG Naive RAG 是 RAG 系统的最基本实现，使用单一的全文检索或向量检索，从文档集合中检索出与 query 相关的文档，直接将检索的文档用于增强 LLM 的生成。 2.2 Advanced RAG Advanced RAG 在 Naive RAG 的基础上，对检索前、检索、检索后三个阶段进行改进。 03、总结 RAG 特点 优点 Naive RAG - 单一索引，如TF-IDF、BM25、向量检索 - 简单，易于实现- 缓解模型幻觉 Advanced RAG - 文档增强- 索引优化- query
1.2K11编辑于 2025-04-04 - 来自专栏小明的博客
朴素贝叶斯（Naive Bayes）
朴素贝叶斯法通过训练数据集学习联合概率分布P(X,Y)，具体方法是通过参数估计的方法学习类标签的先验概率和对应的条件概率分布，然后利用贝叶斯公式对后验概率进行计算，将后验概率最大的类进行输出。
49920编辑于 2022-09-05 - 来自专栏Datawhale专栏
RAG 作者：RAG 已死，RAG 万岁！
一个具有更大上下文窗口的新模型问世，社交媒体上便会充斥着“RAG 已死”的宣言。 RAG 的初衷 五年前，我在 Meta 基础人工智能研究中心（FAIR，前身为 Facebook 人工智能研究中心）的团队提出了 RAG（Retrieval-Augmented Generation，检索增强生成 底线是：您同时需要长上下文 LLM 和 RAG。 但既然“RAG”这个术语似乎如此具有争议性，那我们不妨这样说： 我们不必非得称之为 RAG。 我们可以就叫它 检索 (retrieval)。 RAG 提供了相当于直接翻到相关页面的能力。处理更多 token 不仅更慢，而且极其低效，并且比使用 RAG 精准定位所需信息要昂贵得多。 RAG、微调和大型上下文窗口在 AI 中也是如此。 结论 我们不需要在 RAG 与长上下文窗口、微调或 MCP 之间做出选择。
79710编辑于 2025-04-24 - 来自专栏全栈开发工程师
【RAG】001-RAG概述
【RAG】001-RAG概述 0、整体思维导图 下面的知识是基于一个视频教程结合 AI 生成的笔记，我也看了一遍，有了一些印象，但这种印象很快就会消失，知识也就消失了，为了使得知识在我的大脑中停留更长的时间 补充1：RAG 基本逻辑 补充2：RAG 知识库基本逻辑 一、RAG 介绍 1、LLM 的主要局限性 大语言模型（LLM）尽管功能强大，但仍存在以下明显的局限性： 时效性问题：模型的知识在预训练后就固定了 概述 1、RAG 的概念 RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合了检索和生成技术的文本处理方法，主要用于提高语言模型的输出质量。 2、RAG 的工作原理 RAG 的核心工作流程包含以下步骤： 知识库构建： 收集和处理文档资料 将文档切分为适当大小的文本块 使用向量化模型将文本转换为向量并存储 检索过程： 接收用户查询并向量化 在向量数据库中搜索相似内容 获取最相关的文本片段 生成过程： 将检索到的相关内容与用户问题组合 构建合适的提示词（Prompt） 通过 LLM 生成最终答案 3、RAG 的应用场景 RAG 技术在多个领域都有广泛应用
84410编辑于 2025-03-25 - 来自专栏多模态 / RAG / 知识图谱
RAG 系列 02 — Advanced RAG
配套阅读：《RAG系列01—NaiveRAG》《从NaiveRAG到AgenticRAG》引言：2025年3月，我参加了一家toBSaaS公司的技术评审会。那天的议题是"RAG系统下一阶段升级路线"。 HybridRerankRewrite）的工程细节那些"看起来很美但生产里翻车"的进阶技术（HyDE、Multi-Query、Step-Back）三层评测指标怎么建何时该停在这一站，何时该继续升级如果你正卡在"Naive AdvancedRAG的本质，是把RAG从"一锤子买卖"重构为"多阶段管道"。 这是NaiveRAGChecklist的超集——Naive的全部要求依然适用，加上下面这些。 下一篇预告：《RAG系列03—ModularRAG：当一条流水线装不下你的业务》
3710编辑于 2026-06-09 - 来自专栏机器学习算法与Python学习
Machine Learning -- Naive Bayes(朴素贝叶斯)
************************************************************************************* 这是一个来自（维基百科）的Naive
1.1K50发布于 2018-04-04
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号