构建AI智能体：二十四、RAG的高效召回方法论：提升RAG系统召回率的三大策略实践
本文探讨了检索增强生成（RAG）系统中的高效召回技术。RAG系统通过检索相关文档增强大语言模型的回答质量，但性能受制于垃圾进，垃圾出原则。为提高召回效果，文章重点分析了三种方法：Small-to-Big通过大小文本块映射兼顾检索精度与上下文丰富度；索引扩展（如HyDE）利用大模型生成假设文档来优化检索；双向改写弥合用户查询与文档表述的差异。这些方法从不同角度解决了RAG系统中的语义鸿沟、词汇不匹配等核心问题，可单独或组合使用。高效召回技术能显著提升RAG系统的回答质量和效率。
番茄叶片病害检测数据集（千张图片已划分）| AI训练适用于目标检测任务
在农业领域，植物病害检测是确保作物健康和提高农业生产效率的关键任务之一。随着计算机视觉技术的快速发展，基于深度学习的目标检测方法成为了病害识别的主流手段。为此，专门针对番茄叶片病害检测任务，我们推出了一个经过精心设计的番茄叶片病害检测数据集。该数据集包含了10,853张带标签的图像，覆盖了10种常见的番茄叶片病害类型，支持YOLO等先进的目标检测模型训练，旨在帮助研究人员和开发者提高农作物病害自动化检测的能力。
构建AI智能体：二十三、RAG超越语义搜索：如何用Rerank模型实现检索精度的大幅提升
本文介绍了重排序(Rerank)技术在检索增强生成(RAG)系统中的应用。Rerank作为初始检索和最终生成之间的关键环节，通过交叉编码器对初步检索结果进行精细化排序，筛选出最相关的少量文档提供给大语言模型。相比Embedding模型，Rerank能更精准理解查询-文档的语义关系，显著提高答案质量，降低Token消耗。文章详细比较了BGE-Rerank和CohereRerank等主流模型，并通过代码示例展示了Rerank在解决歧义查询(如区分苹果公司和水果)上的优势。