Gemini混合RAG教程：结合文件搜索与Google搜索
在实际 AI 应用中，模型常需同时访问私有文档（如企业内部手册）和实时公共信息（如新闻、统计数据）。单一知识源无法满足复杂查询需求，而传统 RAG 仅处理私有数据，无法获取最新网络信息。Gemini API 提供文件搜索（托管 RAG）和 Google 搜索接地两种工具，分别解决私有与公共知识检索问题。混合 RAG 将两者结合…
阅读教程 →官方AI技术教程 · 中文精选
RAG 与知识库
文档解析、嵌入向量、检索、重排序与上下文工程。
共 26 篇教程
CLIP与FAISS教程：构建多模态语义搜索
传统关键词搜索依赖文件名或元数据匹配，无法理解内容语义，导致检索结果不准确。多模态语义搜索通过将文本和图像映射到共享向量空间，实现基于内容的跨模态检索，解决数据异构和命名不规范问题。gemini-embedding-2模型支持文本和图像统一嵌入，适用于数字资产管理、推荐系统、跨模态文档检索等场景。主要限…
阅读教程 →混合搜索法律笔记本：Google Colab 教程
在法律 AI 应用中，如 RAG 聊天机器人，检索质量直接决定回答的准确性与事实性。传统关键词搜索（如 BM25）无法理解语义，而纯向量搜索可能忽略精确匹配。混合搜索结合两者优势，可显著提升检索效果。Gemini 嵌入模型支持 Matryoshka 表示，允许截断向量以降低存储与计算成本，同时保持较高精度。Qdrant 作为高性能…
阅读教程 →电影推荐系统教程：使用Python和协同过滤构建Movie_Recommendation.ipynb
传统推荐系统依赖协同过滤或基于内容的标签匹配，难以理解语义。Gemini API提供强大的文本嵌入能力，可将电影元数据转换为高维向量，捕捉深层语义。Qdrant作为高性能向量搜索引擎，支持亿级向量的相似性检索。两者结合，可实现基于自然语言查询的智能推荐，适用于个性化内容推荐、语义搜索等场景。但需注意AP…
阅读教程 →Gemini File Search教程：构建文档问答与RAG应用
在AI应用中，模型常因缺乏私有或最新数据而产生幻觉。RAG（检索增强生成）通过检索外部文档来增强模型回答的准确性。传统RAG需自行搭建向量数据库、嵌入模型和检索管道，成本高且复杂。Google Gemini File Search工具提供托管式解决方案，将文档上传至云端存储，模型生成时自动检索相关片段，并返回引用来源，简化…
阅读教程 →研究报告中搜索接地（Search Grounding）的使用指南
大型语言模型（LLM）的训练数据存在截止日期，无法实时反映快速变化的商业世界。例如，公司财报、市场动态、突发新闻等时效性信息，模型可能无法准确回答。搜索接地（Search Grounding）技术通过将 LLM 与 Google 搜索集成，使模型能够检索并引用最新网络信息，从而生成准确、实时的回答。Gemini 1.5 模型提供了搜索…
阅读教程 →Gemini与LlamaIndex结合Chroma和WebPageReader的问答系统教程
大型语言模型（LLM）在训练时使用公开数据，无法直接回答私有或定制数据的问题。检索增强生成（RAG）通过检索相关文档片段作为上下文，增强LLM的应答能力。本教程使用Gemini作为LLM和嵌入模型，LlamaIndex作为数据框架，Chroma作为向量数据库，实现一个基于网页内容的问答系统。该方案适用于需要从大量文档中快速…
阅读教程 →文档搜索教程：使用 Gemini API 进行语义搜索
传统关键词搜索基于字面匹配，难以理解语义，导致检索结果不准确。语义搜索通过将文本映射到高维向量空间，使语义相近的文本在向量空间中距离更近，从而提升检索质量。Gemini API 提供预训练嵌入模型，支持多种任务类型，可灵活应用于文档检索、问答系统等场景。本教程旨在帮助开发者掌握利用 Gemini API 构建…
阅读教程 →Gemini API：使用 LangChain 和 Pinecone 进行问答
大型语言模型（LLM）在训练时使用的是公开的、静态的数据集，因此无法直接回答关于私有或实时数据的问题。RAG（检索增强生成）通过检索外部知识源（如文档、数据库）并将相关内容注入提示词，使 LLM 能够基于最新、最相关的信息生成答案。本教程选择 Gemini 作为 LLM，LangChain 作为编排框架，Pinecone 作为向量数据…
阅读教程 →Gemini API：使用 ChromaDB 进行文档问答
在自然语言处理（NLP）领域，传统的关键词搜索难以理解语义，而向量数据库通过将文本转换为高维向量，实现语义相似度检索。Gemini API 提供强大的嵌入模型，可将文本映射到向量空间，ChromaDB 则是一个轻量级、开源的向量数据库，支持存储、检索和过滤。本教程解决的核心问题是：如何从大量非结构化文档中快速…
阅读教程 →Gemini API：使用 Qdrant 进行相似性搜索
传统关键词搜索无法理解语义，而语义搜索通过向量嵌入将文本映射到高维空间，使语义相近的文本在向量空间中距离更近。Gemini API 提供强大的嵌入模型，Qdrant 作为高性能向量数据库，支持高效的相似性搜索和负载存储。该组合适用于文档检索、问答系统、推荐系统等场景，但需注意嵌入模型的选择、向量维度匹配…
阅读教程 →Gemini API：使用 LangChain 和 Chroma 进行问答
大型语言模型（LLM）在训练时仅基于公开数据，无法直接回答关于私有或自定义数据的问题。RAG（检索增强生成）通过检索相关文档片段作为上下文，使 LLM 能够基于特定数据生成准确答案。本教程使用 Gemini 作为 LLM 和嵌入模型，LangChain 作为编排框架，Chroma 作为向量数据库，实现一个完整的 RAG 应用。该技术适用于…
阅读教程 →使用嵌入向量进行搜索重排序：Google Colab 教程
传统搜索引擎依赖关键词匹配，难以理解查询语义，导致结果相关性不足。嵌入向量将文本映射到高维向量空间，使语义相近的文本在向量空间中距离更近，从而支持基于向量相似度的语义搜索。本教程利用 Gemini 的嵌入模型和函数调用能力，结合 Wikipedia API，构建一个轻量级的搜索重排序系统。该方法适用于需要快…
阅读教程 →Search Grounding 教程：使用 Gemini API 进行搜索接地
大型语言模型（LLM）的知识截止日期导致其无法提供实时或最新信息，这在处理新闻、体育赛事、股票价格等动态数据时成为严重缺陷。搜索接地（Search Grounding）通过将模型与 Google 搜索集成，使模型能够访问近乎实时的外部信息，从而生成更准确、更权威的响应。该技术适用于需要最新信息的场景，如问答、新闻摘…
阅读教程 →Embeddings.ipynb 教程：从入门到精通
嵌入（Embedding）是将非结构化数据（如文本、图像、音频）转换为高维向量表示的技术，旨在捕捉数据的语义信息。在 AI 工程中，嵌入是构建语义搜索、推荐系统、异常检测、RAG（检索增强生成）等应用的基础。传统的关键词匹配无法理解语义，而嵌入通过向量空间中的距离度量（如余弦相似度）实现语义级别的相…
阅读教程 →Pinecone RAG教程：构建向量检索问答系统
大型语言模型（LLM）如Claude虽然强大，但存在知识截止日期、无法访问私有数据、可能产生幻觉等问题。检索增强生成（RAG）通过将外部知识库（如向量数据库）与LLM结合，在生成答案前先检索相关信息，从而提升回答的准确性、时效性和可解释性。本教程选择Pinecone作为向量数据库，因其托管服务、易于扩展、支持…
阅读教程 →Claude API 引用功能详解：提升文档问答的准确性与可追溯性
在大语言模型（LLM）应用中，文档问答（Document Q&A）是核心场景之一。然而，模型生成的回答往往缺乏可验证性，用户难以判断信息是否准确、来源何处。传统的基于提示词的引用方法要求模型在输出中嵌入完整引文，这不仅增加了输出令牌和成本，还可能导致模型生成不存在的引用。Claude API 的引用功能通过结构化…
阅读教程 →使用嵌入向量的工具搜索：将Claude扩展到数千个工具
随着Claude应用集成越来越多的专业工具，将所有工具定义预先加载到上下文中会迅速消耗上下文窗口，增加延迟和成本，并降低模型选择正确工具的准确性。当工具数量超过约100个时，这种方法变得不切实际。语义工具搜索通过将工具视为可发现的资源，按需返回相关功能，解决了这一瓶颈。它适用于工具库庞大且持…
阅读教程 →利用上下文检索增强RAG：提升检索性能的实用指南
RAG（检索增强生成）是当前企业构建AI应用的核心技术，通过结合内部知识库与LLM生成能力，实现客户支持、文档问答、代码生成等场景。然而，传统RAG在文档分块后，每个块独立嵌入，缺乏全局上下文，导致检索结果不准确，尤其当块内容依赖文档其他部分时。例如，代码库中一个函数块可能依赖其他文件或上下文…
阅读教程 →使用LlamaIndex评估RAG：全面指南
大型语言模型（LLM）在海量通用数据上训练，但缺乏特定领域或私有数据。RAG通过动态检索外部知识源，将相关信息注入生成过程，从而提升回答的准确性和时效性。评估RAG系统至关重要，因为其性能直接影响应用可靠性。常见问题包括检索结果不相关、生成内容幻觉、响应质量不稳定等。LlamaIndex提供了一套完整的…
阅读教程 →如何结合GPT-4o mini与RAG创建服装搭配应用
传统服装推荐系统依赖人工标注或基于规则的匹配，难以理解图像中的视觉特征和风格语义。GPT-4o mini作为多模态模型，能同时处理文本和图像，提取颜色、风格等关键信息，但直接生成推荐可能缺乏领域知识。RAG技术通过检索外部知识库（如服装数据库）来增强生成结果的准确性和相关性。结合两者，既能利用视觉…
阅读教程 →使用图数据库的检索增强生成（RAG）
传统RAG系统依赖向量数据库进行语义相似性检索，但向量检索本质上是近似搜索，难以精确处理实体间的结构化关系和多跳推理问题。例如，在回答“哪些蓝色服装适合成年人？”时，需要同时匹配颜色、类别和年龄组三个维度，且这些维度之间存在逻辑关联。图数据库以节点和边存储数据，天然支持精确查询和关系…
阅读教程 →OpenAI Responses API教程：多工具编排与RAG实战
在构建复杂AI应用时，单一模型往往无法满足所有需求，需要集成外部工具（如搜索、计算、数据库查询）和知识库。传统的Chat Completions API在工具调用和响应格式上存在局限，而Responses API提供了更灵活的多步骤推理和工具调用机制。RAG（检索增强生成）通过结合外部知识库，提升模型回答的准确性和时效性。本文旨…
阅读教程 →OpenAI文件搜索教程：用Responses API实现PDF RAG
RAG（检索增强生成）是解决大语言模型知识时效性和专业领域知识不足的关键技术。传统RAG实现涉及PDF解析、文本分块、嵌入生成、向量数据库存储等多个步骤，流程复杂且维护成本高。OpenAI的Responses API提供了内置的文件搜索工具，将文件存储、嵌入和检索集成在一个API调用中，大大简化了RAG架构。该工具适用于需…
阅读教程 →使用OpenAI gpt-oss-120B、Cerebras和Parallel构建自己的内容事实核查器
在信息爆炸的时代，虚假信息传播迅速，人工核查效率低下。本教程旨在通过自动化技术，帮助开发者快速验证文本中的事实性声明。该技术适用于新闻验证、社交媒体内容审核、学术研究辅助等场景。主要限制包括：依赖外部API的可用性和准确性，模型可能产生误判，且对提示注入等安全威胁缺乏防护。 系统核心…
阅读教程 →使用GPT-4o视觉模态优化检索增强生成
在现实世界的文档（如报告、手册、学术论文）中，信息往往以图像、图表和表格等形式呈现，这些视觉元素对于理解内容至关重要。传统RAG系统仅处理文本，导致视觉信息丢失，回答不完整或不准确。例如，世界银行年度报告中的财务数据图表、工程图纸等，仅靠文本描述难以准确传达。因此，需要一种方法将视觉…
阅读教程 →