03:50 上午 · 11月 05 ,2025 LazyLLM 教程 | 第 13 講：RAG + 多模態：圖片、表格通吃的問答系統 在前面的課程中，我們探討了RAG（Retrieval-Augmented Generation）的基本原理及其在純文本處理中的應用。RAG 通過從外部知識庫檢索相關信息，結合上下文生成更準確、信息豐富的回答，從而提升基於文本的問答系統能力。 然而，現實世界中的信息並不侷限於文本，例如 PDF 文檔中的圖片、表格等多模態數據也承載着大量有價值的知識。在某些情況下，這些圖文並茂的內容比純文本更直觀、 開源 , 算法 , 教程 , 人工智能 , llm
03:29 上午 · 11月 04 ,2025 LazyLLM x MemU：20 行代碼打造有長記憶的知識問答 在開發知識問答助手的過程中，常見的挑戰之一就是如何讓智能體記住之前的對話和交互內容。 很多應用在實現多輪問答時，會遇到信息丟失或上下文混亂的問題：用户提過的問題、提供的數據、甚至助手之前的回答都無法被系統持續記憶，導致體驗斷層。對於企業級知識庫或面向用户的個人助手來説，這種缺失不僅影響回答的準確性，也使得智能體難以形成長期價值。 構建一個能夠記憶的問答系統，並非簡單地將對話記錄寫入數據庫。 智能 dify , llama , 人工智能 , 開源 , 科技
