GraphRAG介绍
本文介绍了GraphRAG通过引入知识图谱技术，改进了传统RAG的不足。它通过三元组抽取、子图召回和子图上下文生成，提供了更准确的知识检索和生成。
RAG系统优化
本文详细介绍了RAPTOR、SELF-RAG和CRAG等优化算法，同时对一些RAG工程实践中的优化方法做了介绍，如文本切割、Query重写、混合检索等。
ReadMore »
LLM提示词效果提升
本文介绍了如何通过任务拆分、少样本学习和思维链（CoT）等方法来提高人工智能模型的推理和响应能力。特别强调了明确定义任务、提供背景知识和术语、以及通过分步解释来增加透明度和准确性的重要性。文中还探讨了零样本CoT和少样本CoT，展示了如何通过设置输出格式和提供关键词来改善推理结果的抽取。最后，文中通过JSON格式输出的例子，说明了如何将推理过程和结论以结构化数据的形式呈现，以便于分析和理解。
ReadMore »
vLLM学习笔记
vLLM优势在于其采用了PagedAttention技术，该技术通过管理attention的keys和values，显著提升了模型的吞吐量，最高可达huggingface实现的24倍，且无需对模型结构进行改动。
ReadMore »
大模型LLM数据处理
本文是对 LLM 进行微调以及二次预训练时，训练数据预处理的相关文章的一些学习笔记，包含极少的经验总结。多样化的训练数据很重要,要涵盖使用场景的各种情况,避免训练数据单一。