这是一个创建于 505 天前的主题，其中的信息可能已经有所发展或是发生改变。
之前在 DIFY 上测试了体检报告的效果，基本是个笑话。
于是降低要求
找了份科幻小说 txt 文件：猎户座防线
上传到 DIFY 的知识库,配置都选默认
模型有：chatgpt3.5 、月之暗面 v1 、glm4 、文心一言刚免费的 speed 。
效果只举两个例子
小说中反复提到“大副迪尔”，还有这么一段：
“我来自丹那芭⑤”她说，“你知道那儿吗？” “不。” “它距离地球 1600 光年…… 问“丹那芭距离地球少光年？”，基本都能答对，这点我有点小惊讶。
问“迪尔是什么职务”，居然都回答不知道或者说文中没提。
不甘心，打开 kimi ，上传文件，问“迪尔是什么职务”，kimi 马上答上了
第 1 条附言 2024-05-23 17:12:17 +08:00
dify 上换上 https://github.com/netease-youdao/BCEmbedding 的 embedding 和 rerank 模型，效果杠杠的
第 2 条附言 2024-06-20 09:46:51 +08:00
已经投奔 llamaindex
第 3 条附言 348 天前
已经全自己撸了
 | 1 Solix 2024-05-22 14:24:50 +08:00 via iPhone fastgpt 效果好 |
 | 2 nnqijiu 2024-05-22 15:11:39 +08:00 WPS AI 的 rag 不错，不过好像收费了 |
 | 3 xenoblade 2024-05-22 16:00:20 +08:00 我认为这个例子其实应该归类为“RAG VS 长上下文”，恰恰说明了长上下文在有限信息的 QA 中完胜 RAG 。 目前 langchain 系的 通用 RAG 系统上限就在那里了，要想达到更高的精确度需要对不同领域进行微调，例如例子中读书场景的 prompt 优化、chunk 分割的人工干预。 |
 | 4 wencan OP @xenoblade rag 也属于上下文 dify 上换上 https://github.com/netease-youdao/BCEmbedding 的 embedding 和 rerank 模型，效果杠杠的 |
 | 5 butterls 2024-05-27 01:15:39 +08:00 via Android 主要是只有切片会丢失上下文，RAG 里要存的实际是类似知识图谱的上下文数据，比如你要做代码仓分析，rag 就能查到函数块，上下文引用，宏定义啥的都米有，那分析结果就跟个二傻子一样 |
 | 6 codingbody 2024-06-19 17:37:07 +08:00 @wencan #4 dify 上配置 bce 的 embedding rerank ，这两个模型需要自己部署吧？ |
| 7 wencan OP |
 | 8 fakecoder 2024-06-25 11:15:03 +08:00 op 用 llamaindex 感觉咋样 |
Select Language