VectorStore
PulseAugur coverage of VectorStore — every cluster mentioning VectorStore across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
Spring AI HyDE 通过重写用户查询来增强 RAG 召回率
提出了一种名为假设文档嵌入 (HyDE) 的新方法，通过在向量查找之前将简短的用户查询转化为更全面的假设性答案来提高检索增强生成 (RAG) 的召回率。该方法使用 Spring AI 的查询转换框架实现，旨在弥合不对称查询和密集文档块之间的语义鸿沟，从而降低检索精度下降。该技术包括根据用户查询生成合成文档，然后嵌入此合成文档以查询 pgvector 或 Milvus 等向量存储，从而缓解纯余弦相似度在原始文本上的问题。
-
Spring AI 提供工具，通过可观察性和模型选择来控制 LLM 成本
Spring AI 框架提供了工具，帮助开发者管理和降低使用大型语言模型相关的成本。系列文章的初步内容侧重于可观察性和模型选择，强调了跟踪 token 使用量以识别成本驱动因素的重要性。建议开发者为常规任务使用更小、成本更低的模型，并在 Spring AI 的可观察性功能中实现自定义标签，以将成本归因于特定的应用程序组件。
-
Spring AI 支持 LLM 代理的动态工具修剪
开发人员可以通过动态修剪工具定义来优化 LLM 代理性能，而不是填充整个上下文窗口。这种方法涉及在向量数据库中索引工具元数据，并在运行时查询它以仅检索与给定用户提示最相关的工具。通过将一小部分有针对性的工具注入到 LLM 调用中，开发人员可以减少延迟、降低成本并提高准确性，避免幻觉。
-
LangGraph 模板指导 AI 代理开发
多篇 dev.to 文章详细介绍了如何使用 LangChain 的工作流系统 LangGraph 来构建 AI 代理。这些文章提供了常见代理模式的模板，包括用于文档查询的检索增强生成 (RAG)、能够规划和执行任务的多工具代理，以及需要用户审查的人机协作工作流。这些模板通过节点、边和状态管理来说明 LangGraph 的架构，用于创建复杂、有状态的 AI 应用程序。