【AI大模型实战】Dify搭建智能合同评审系统,附AI学习路线图,看到就是赚到!!

LightRAG:简单快速的检索增强生成框架快速上手 你是环境科学专家,提供详细且结构化的回答,并包含示例。---对话历史---{history}---知识库------响应规则---目标格式和长度:{response_type}""" response_custom = rag . query("可再生能源的主要优势是什么? 阅读详情

前言

还在为合同评审头疼吗?一份几十页的合同,律师要看半天,普通人更是云里雾里。今天教你用Dify搭建一个智能合同评审工作流,10分钟搞定,AI帮你自动识别风险点,再也不用担心踩坑了!

为什么需要智能合同评审?

传统合同评审就像大海捞针:

  • 效率低下:人工逐条审查,一份合同至少2-3小时
  • 容易遗漏:关键条款藏在密密麻麻的文字里,一不小心就错过
  • 成本高昂:请专业律师审查,动辄几千上万
  • 标准不一:不同人审查标准不同,结果差异很大

而AI合同评审就像有了"火眼金睛":
✅ 秒级识别风险条款
✅ 全面覆盖不遗漏
✅ 成本几乎为零
✅ 标准化评审流程

Dify工作流的核心优势

Dify是目前最火的无代码AI应用开发平台,搭建合同评审工作流有这些优势:

🎯 可视化设计

拖拽式操作,像搭积木一样简单,不需要写一行代码

🚀 多模型支持

支持GPT-4、Claude、国产大模型等,可根据需求灵活选择

📊 实时监控

每个节点的执行状态一目了然,出问题能快速定位

🔄 流程可复用

一次搭建,反复使用,还能分享给团队成员

10分钟实操教程

在开始具体操作前,先看看整个工作流的配置全貌:

🚀 开始节点📄 文档提取器🤖 LLM合同评审📊 输出优化

从图中可以看到,整个工作流包含4个核心节点:

  • 🚀 开始节点:配置文件上传功能
  • 📄 文档提取器:解析docx格式合同文件
  • 🤖 LLM合同评审:AI智能风险识别分析
  • 📊 输出优化:三种输出方案可选

⏱️ 整个配置过程仅需10分钟,一次配置永久使用!

现在让我们一步步来搭建:

第1步:创建Chatflow工作流(2分钟)
  1. 登录Dify平台,进入"工作室"
  2. 点击"创建空白应用",选择"Chatflow"类型
  3. 命名为"智能合同评审助手"

  1. 在右上角"功能"中配置:
  • 开启"文件上传"功能

    • • 设置"对话开场白":“您好!我是智能合同评审助手,请上传您需要评审的合同文件(支持docx格式)”

第2步:配置开始节点(1分钟)
  1. 点击"开始"节点进行配置,记得配置完保存
  2. 添加输入变量:
  • 变量名:contract_file
  • 类型:文件
  • 显示名称:待评审的合同文件
  1. 重要提醒:文档提取器仅支持docx格式,请确保上传文件为docx格式

第3步:添加文档提取器节点(1分钟)
  1. \1. 在工作流中添加"文档提取器"节点
  2. \2. 配置输入变量:
    • • 选择来源:开始节点的contract_file
  3. \3. 输出变量:自动生成合同文本内容
  4. \4. 支持格式:docx(注意:doc格式会报错)

第4步:配置LLM合同评审节点(4分钟)

模型选择: 推荐使用DeepSeek-V3

系统提示词:

Role: 法律顾问、风险管理专家和行为心理学家的复合角色

Background: 在商业活动中,合同是保障各方权益的重要法律文书。然而,合同中常常存在显性和隐性的风险,需要从法律、风险管理和心理学的多个维度进行分析和评估。

Profile:- 拥有丰富的商业合同审查经验的法律专家
- 具备系统性风险评估能力的风险管理顾问
- 精通人性分析的行为心理学家

Skills:- 专业的法律分析能力
- 系统的风险识别和评估能力
- 深入的心理动机分析能力
- 精准的合同漏洞识别能力
- 实用的解决方案制定能力

Goals:1. 全面审查合同条款,识别潜在法律风险
2. 分析合同背后的心理动机和可能的陷阱
3. 提供具体的修改建议和防范措施

Workflow:1. 法律层面分析
   - 检查合同条款的合法性
   - 识别权利义务是否对等
   - 评估违约责任设置是否合理
   - 审查争议解决机制的有效性

2. 风险管理分析
   - 识别商业风险点
   - 评估履约风险
   - 分析财务风险
   - 考察操作风险

3. 心理动机分析
   - 解析对方的潜在意图
   - 评估可能的欺诈倾向
   - 分析权力动态关系
   - 预测可能的不诚信行为

OutputFormat:1. 风险评估报告
   - 法律风险清单
   - 商业风险点列表
   - 心理风险提示
   - 具体修改建议

2. 防范建议
   - 条款修改建议
   - 风险控制措施
   - 谈判策略建议

Constrains:1. 保持客观中立的分析态度
2. 基于事实和专业知识提供建议
3. 考虑建议的可操作性
4. 确保分析的全面性和系统性

用户提示词:

请根据用户上传的合同内容进行全面审查,重点关注以下维度:

合同内容:{{#文档提取器节点ID.text#}}

请按以下格式输出评审结果:

## 📋 合同基本信息检查- 合同标题是否准确
- 双方信息是否完整
- 签署日期和生效日期是否明确

## ⚖️ 法律合规性分析- 合同双方法律资格
- 权利义务对等性
- 违法条款识别

## 💰 商业条款评估- 标的物描述清晰度
- 付款方式和期限
- 交付验收标准
- 违约责任设置

## 🚨 风险等级评估**高风险条款:**-[具体条款内容]- 风险说明:[详细分析]- 修改建议:[具体建议]**中风险条款:**-[具体条款内容]- 风险说明:[详细分析]- 修改建议:[具体建议]**低风险条款:**-[具体条款内容]- 说明:[简要说明]## 📊 综合评分- 整体风险评分:X/10分(1分最低风险,10分最高风险)
- 建议处理优先级:[高/中/低]- 核心建议:[3-5条关键建议]
第5步:添加输出优化节点(2分钟)

方案一:直接回复

  1. \1. 添加"直接回复"节点
  2. \2. 输入内容:LLM节点的输出结果

方案二:生成Word文档(推荐)

  1. \1. 在插件市场安装"Markdown转Docx文件"插件
  2. \2. 添加该插件节点到工作流
  3. \3. 输入变量:选择LLM节点输出
  4. \4. 配置输出:生成可下载的Word评审报告

方案三:飞书信息通知

  1. \1. 配置飞书机器人
  2. \2. 添加消息推送节点
  3. \3. 实现评审完成后自动通知相关人员

风险排查功能详解

智能条款识别

AI能自动识别合同中的关键条款类型,包括:

  • • 标的条款
  • • 价格条款
  • • 履行条款
  • • 违约条款
  • • 争议解决条款
风险等级分类

高风险(红色预警):

  • • 付款条件过于苛刻
  • • 违约责任不对等
  • • 知识产权归属不明

中风险(黄色提醒):

  • • 履行期限过紧
  • • 保密条款不完善
  • • 变更条件不明确

低风险(绿色通过):

  • • 标准化条款
  • • 双方权利义务平衡
  • • 争议解决机制完善
智能建议生成

基于风险识别结果,AI会自动生成:

  • • 具体修改建议
  • • 谈判要点提醒
  • • 法律风险提示
  • • 替代方案推荐

实际案例展示

案例一:软件开发合同评审

背景: 某科技公司需要外包开发一套CRM系统

原始条款:

“乙方应在收到甲方需求后30天内完成全部开发工作,如延期每天扣除合同金额的5%,知识产权归甲方所有”

AI评审结果:

📋 合同基本信息检查

  • • ✅ 合同标题明确:软件开发服务合同
  • • ❌ 缺少详细的项目范围描述
  • • ✅ 双方信息完整

⚖️ 法律合规性分析

  • • ✅ 双方具备签约资格
  • • ❌ 权利义务严重不对等
  • • ❌ 违约责任过于苛刻

🚨 风险等级评估

高风险条款:

  • • 条款:“30天完成全部开发工作”
  • • 风险说明:开发周期严重不合理,技术实现难度未考虑
  • • 修改建议:建议调整为60-90天,并设置里程碑节点
  • • 条款:“延期每天扣除5%”
  • • 风险说明:违约金过高,可能超过实际损失
  • • 修改建议:调整为每天0.5-1%,设置违约金上限

中风险条款:

  • • 条款:“知识产权归甲方所有”
  • • 风险说明:可能影响乙方技术积累
  • • 修改建议:区分项目专有技术和通用技术归属

📊 综合评分

  • • 整体风险评分:8/10分
  • • 建议处理优先级:高
  • • 核心建议:重新协商开发周期和违约责任条款

优化后效果:
通过AI评审,该公司成功识别了3个高风险条款,在谈判中争取到:

  • • 开发周期延长至75天
  • • 违约金降至每天1%,上限10%
  • • 节省潜在损失约50万元

案例二:供应商采购合同评审

背景: 制造企业与原材料供应商签署年度采购合同

AI识别的关键风险:

  1. \1. 价格调整机制不明确 - 风险评分:7/10
  2. \2. 质量标准描述模糊 - 风险评分:6/10
  3. \3. 不可抗力条款缺失 - 风险评分:8/10

实际效果:

  • • 评审时间:从2小时缩短至10分钟
  • • 风险识别:发现了人工审查遗漏的5个风险点
  • • 成本节省:避免了因质量纠纷可能产生的200万损失

FAQ常见问题

Q1:为什么上传doc格式文件会报错?
A:Dify的文档提取器目前仅支持docx格式,不支持doc格式。请将doc文件另存为docx格式后再上传。如果需要支持更多格式,可以考虑先添加格式转换节点。

Q2:支持哪些合同类型和语言?
A:支持所有文本类合同,包括:

  • • 销售采购合同
  • • 服务外包合同
  • • 劳动雇佣合同
  • • 租赁合同
  • • 技术开发合同
  • • 保密协议等
    目前主要支持中文合同,英文合同需要调整提示词。

Q3:AI评审的准确率如何?
A:基于DeepSeek的识别准确率可达90%以上,但建议:

  • • 重要合同仍需人工复核
  • • 可以作为初筛工具,提高人工审查效率
  • • 定期根据实际案例优化提示词

Q4:如何保障合同数据安全?
A:多重保障措施:

  • • Dify支持本地私有化部署
  • • 可选择国产大模型(如智谱GLM)
  • • 敏感合同建议在内网环境处理
  • • 支持数据加密传输和存储

Q5:成本大概是多少?
A:成本极低:

  • • 每份合同处理成本约0.1-0.5元
  • • 相比人工审查节省95%以上成本
  • • 一次搭建,长期使用
  • • 支持批量处理,规模效应明显

Q6:可以定制化吗?
A:完全支持定制:

  • • 根据行业特点调整风险识别规则
  • • 按公司标准定制评审模板
  • • 可以添加特定条款检查
  • • 支持多套评审标准并行

Q7:如何提高评审质量?
A:持续优化建议:

  • • 收集实际案例,不断完善提示词
  • • 建立行业专用的风险知识库
  • • 定期更新法律法规变化
  • • 结合人工反馈进行模型微调

Q8:能否集成到现有系统?
A:支持多种集成方式:

  • • API接口调用
  • • 企业微信/钉钉机器人
  • • 邮件自动处理
  • • OA系统嵌入

总结

通过Dify搭建智能合同评审工作流,真正实现了合同评审的数字化转型。从传统的人工逐条审查,到AI秒级风险识别,这不仅仅是效率的提升,更是工作方式的革命。

🎯 核心价值

效率革命: 10分钟完成传统2小时的工作,效率提升12倍
风险防控: AI全面扫描,零遗漏识别潜在风险点
成本优化: 每份合同成本从数百元降至几毛钱,ROI超过1000%
标准统一: 消除人为主观因素,确保评审标准一致性

📊 实际效果数据

根据多家企业使用反馈:

  • • 风险识别准确率: 90%+
  • • 评审时间缩短: 95%
  • • 成本节省: 95%+
  • • 风险遗漏率: 接近0%
🚀 适用场景

✅ 中小企业:无需专职法务,也能专业评审
✅ 大型企业:批量处理,提高法务团队效率
✅ 律师事务所:标准化服务,提升客户满意度
✅ 采购部门:供应商合同快速筛查

💡 未来展望

智能合同评审只是开始,未来还可以扩展到:

  • • 合同条款自动生成
  • • 多语言合同翻译评审
  • • 行业专用风险模型
  • • 合同履约风险预警

现在就开始行动! 10分钟搭建你的智能合同评审助手,让AI成为你最可靠的法务顾问。在这个AI时代,不是技术在淘汰人,而是会用AI的人在淘汰不会用AI的人。

最后

为什么要学AI大模型

当下,⼈⼯智能市场迎来了爆发期,并逐渐进⼊以⼈⼯通⽤智能(AGI)为主导的新时代。企业纷纷官宣“ AI+ ”战略,为新兴技术⼈才创造丰富的就业机会,⼈才缺⼝将达 400 万!

DeepSeek问世以来,生成式AI和大模型技术爆发式增长,让很多岗位重新成了炙手可热的新星,岗位薪资远超很多后端岗位,在程序员中稳居前列。

与此同时AI与各行各业深度融合,飞速发展,成为炙手可热的新风口,企业非常需要了解AI、懂AI、会用AI的员工,纷纷开出高薪招聘AI大模型相关岗位。

最近很多程序员朋友都已经学习或者准备学习 AI 大模型,后台也经常会有小伙伴咨询学习路线和学习资料,我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料,这些学习资料不仅深入浅出,而且非常实用,让大家系统而高效地掌握AI大模型的各个知识点。

这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

AI大模型系统学习路线

在面对AI大模型开发领域的复杂与深入,精准学习显得尤为重要。一份系统的技术路线图,不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点,还能提供一条高效、有序的学习路径。

但知道是一回事,做又是另一回事,初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性,在这基础上,找到高质量的学习资源,不浪费时间、不走弯路,又是重中之重。

AI大模型入门到实战的视频教程+项目包

看视频学习是一种高效、直观、灵活且富有吸引力的学习方式,可以更直观地展示过程,能有效提升学习兴趣和理解力,是现在获取知识的重要途径


光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。

海量AI大模型必读的经典书籍(PDF)

阅读AI大模型经典书籍可以帮助读者提高技术水平,开拓视野,掌握核心技术,提高解决问题的能力,同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说,阅读经典书籍是非常有必要的。

600+AI大模型报告(实时更新)

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。

AI大模型面试真题+答案解析

我们学习AI大模型必然是想找到高薪的工作,下面这些面试题都是总结当前最新、最热、最高频的面试题,并且每道题都有详细的答案,面试前刷完这套面试题资料,小小offer,不在话下

这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

AI Agent实战能力成长地图:LangChain、LangGraph、RAG与MCP协同落地 AI Agent并非单一技术,而是融合推理控制、流程编排、知识增强与系统集成的综合能力体系。其核心原理在于将大模型能力解耦为可观察、可调试、可演进的模块化单元,并通过状态驱动与语义编织实现跨场景闭环决策。LangChain提供思维脚手架,支撑结构化推理单元构建;LangGraph作为决策操作系统,保障多跳、可中断、可回溯的流程协同;RAG突破传统召回范式,走向政策语义分层与动态提示编织;MCP则充当Agent神经系统,实现与政务OA、证照库等异构系统的安全可控对接。本文聚焦政务智能预审等真实业务场景,详解四 阅读详情

相关推荐

Rerank模型哪款最强?详解如何轻松集成到你的项目中!

新的reranker模型:发布跨编码器模型 BAAI/bge-reranker-base 和 BAAI/bge-reranker-large ,它们比嵌入模型更强大。所以,当在RAG 项目中,使用Embedding 求出topN的时候,N可以大一点儿,然后重新组织问题和检索出来的答案。比如,question是问题,top_n_answers是Embedding返回的结果,得到Rerank的新数据结构。几乎所有的Embeddings都在重排之后显示出更高的命中率和MRR,所以rerank的效果是非常显著的。

春华秋实 2983

开源AI新协议!AI Agent与前端交互的轻量级协议,轻松构建交互式AI应用!

AI Agent 的兴起让前端交互需求激增,但传统开发中,连接Agent后端与前端需大量定制代码,效率低下。 在 MCP(模型上下文协议)、A2A(Agent-to-Agent 通信协议)之后,AI Agent 的生态正在走向一个更完整的方向:AG-UI 协议横空出世,专为 Agent 与前端应用的通信交互而设计。

bugyinyin的博客 2056

Agent Skill 火爆全网:创建你的第一个技能,开启渐进式智能体

无限的知识容量:通过脚本和外部文件,技能可以"携带"远超上下文限制的知识。我们从什么是 Agent Skill 讲起,剖析它如何解决“上下文爆炸”,如何通过“渐进式披露”优化上下文长度,并手把手教你在 Open Code 中创建你的第一个 Skill。我们的AI社群聚集了一线AI高手, 每月一期AI训练营,社群陪跑,专属直播,专注于 扣子、Dify、n8n 等主流智能体平台的实战落地。我们常说大模型有 128K 甚至 1M 的上下文窗口,但在实际应用中,我们发现了一个扎心的事实:给的越多,错得越多。

互联网架构师笔记 5324

LightRAG – 香港大学推出的开源检索增强生成系统

LightRAG是由香港大学研究团队推出的一种检索增强生成(Retrieval-Augmented Generation, RAG)系统,基于整合图结构索引和双层检索机制,提升大型语言模型在信息检索中的准确性和效率。系统能捕捉实体间的复杂依赖关系,全面理解信息,处理具体和抽象查询,确保用户获得既相关又丰富的响应。LightRAG具备快速适应新数据的能力,在动态环境中保持高效和准确,基于增量更新算法及时整合新数据,无需重建整个知识库。

u010291330的博客 4004

Appsflyer S2S事件上报实战:从参数获取到避坑指南(附Firebase对比)

本文详细解析了Appsflyer S2S事件上报的实战技巧,包括核心参数获取、测试环境搭建、生产环境最佳实践以及高级场景处理。通过对比Firebase的事件上报机制,帮助开发者高效避坑并优化数据上报流程,提升应用分析与营销效果。

egg99的博客 887

LightGBM处理类别特征和缺失值有多省心?一个真实业务数据案例带你上手

本文通过真实电商数据案例,详细解析了LightGBM如何高效处理类别特征和缺失值。相比传统方法,LightGBM仅需一行代码即可自动处理高基数类别特征和缺失值,大幅提升模型训练效率和预测准确度,特别适合业务场景中的脏数据处理。

weixin_30689307的博客 461

LightRAG开源了!轻巧、强大,GraphRAG的进化版

现有的RAG系统老是搞不清复杂关系,答案经常被切碎,缺乏上下文,难以真正理解问题。而LightRAG就是来解决这些问题的,它把图结构引入文本索引和检索,采用,从低到高全面覆盖信息。更酷的是,它还能更新数据,保持实时高效的响应,而且它已经开源了哦!并且你现在可以通过简单的API调用来实现多种检索模式,包括本地、全局和混合检索。

2401_84208172的博客 8497

一文梳理金融风控建模全流程(Python)

。借助A卡模型,银行或金融机构能够根据申请人的个人信息和历史数据,对其进行风险评估。这种评估能够帮助金融机构判断借款人是否具备偿还贷款的能力和意愿。

weixin_43420291的博客 4778

MonkeyOCR从理论到实践——保姆级教程

MonkeyOCR:本文提出“结构-识别-关系”(SRR)三元组范式,实现了高效且精准的文档解析。其3B参数模型在英文文档解析任务中超越了Gemini 2.5 Pro和Qwen2.5-VL-72B。 在对多页文档解析场景下,处理速度达每秒0.84页,显著优于MinerU(0.65页/秒)和Qwen2.5-VL-7B(0.12页/秒)。

guopeiAI 5283

LightTools宏 vs Python API:光学仿真自动化方案选型指南

本文深入对比了LightTools光学仿真自动化中VBA宏与Python API两种方案。VBA宏内嵌易用,适合固定流程批处理;Python API生态强大,尤其在参数优化算法集成方面优势显著,便于构建复杂工作流。文章结合案例,为不同场景下的技术选型提供清晰指南。

garlic的博客 942

VXLAN技术详解

VXLAN(虚拟可扩展局域网)是一种Overlay二层虚拟化技术,通过MAC-in-UDP封装在IP网络上构建大规模虚拟二层网络。核心组件包括VTEP(隧道端点)、24位VNI(支持1600万个虚拟网络)和VXLAN网关。相比VLAN,VXLAN具有超大规模扩展、跨三层互联、支持虚拟机无缝迁移等优势,适用于云数据中心多租户隔离、跨数据中心互联等场景。其基于IP路由的封装方式无需改造物理网络,为现代云网络提供了弹性、安全的虚拟化解决方案。

kjkdd的博客 597

只有3B参数开源OCR大模型!MonkeyOCR媲美MinerU+Gemini 2.5 Pro +Qwen2.5-VL+olmOCR!真实测评+保姆级部署教程!三分钟打造自己的PDF扫描件OCR

MonkeyOCR是一个基于Structure-Recognition-Relation (SRR)三元组范式的轻量级文档解析模型,由华中科技大学和金山办公联合开发。该模型专门用于文档解析任务,能够处理中英文文档。

m0_71165399的博客 3824

支持UE4.27、UE5.0、UE5.1、UE5.2、UE5.3、UE5.4、UE5.5的VS2022一键安装方法

本文提供了两种安装VS2022以支持UE5开发的方案。方案一通过百度网盘提供一键安装包,下载解压后以管理员身份运行批处理文件即可完成安装。方案二需从微软官网下载安装程序,通过创建包含特定参数的批处理文件来自定义安装组件。两种方案都需保持联网环境,建议先卸载旧版VS。安装完成后可测试打包UEC++项目Windows包。

2501_93651177的博客 358

大模型入门到精通之GraphRAG、LightRAG、AgenticRAG,如何选择?

如果你真的想学习大模型,请不要去网上找那些零零碎碎的教程,真的很难学懂!你可以根据我这个学习路线和系统资料,制定一套学习计划,只要你肯花时间沉下心去学习,它们一定能帮到你!

2401_85375186的博客 1848

什么是 SAP FICO 的 GL?

GL,即总账,是 SAP FI(Financial Accounting)模块中的一个重要组件。它的主要作用是收集、分类和汇总所有财务交易,以便企业可以生成财务报表,如资产负债表、利润表和现金流量表。科目结构:GL 账户(G/L Account)用于记录企业的财务交易,并按会计准则分类。实时更新:由于 SAP 是基于事务驱动的系统,每一笔业务发生后,都会实时反映到总账科目中。集成性。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1691

SAP 业务技术平台(BTP) Workflow(工作流)功能介绍

这背后其实发生了很多事情:Workflow 应用里 Determine Equipment Service Task 得到执行,通过 HTTP POST,消费部署在 SAP BTP 上的 Business Rules Service,后者根据我们在 Start New Instance 里传入的 Sample Data,返回自动决定出的设备明细。关于这个 SAP BTP 开发工具的更多介绍,参考我的文章:SAP 新一代全栈开发工具:SAP Business Application Studio.

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 8756

使用大模型检索增强 Rerank 模型,检索效果提升太明显了!

RAG 是一种结合了信息检索和文本生成的语言模型技术。简单来说,当你向大语言模型(LLM)提出一个问题时,RAG 首先会在一个大型的文档集合中寻找相关信息,然后再基于这些信息生成回答。Rerank 的工作就像是一个智能的筛选器,当 RAG 从文档集合中检索到多个文档时,这些文档可能与你的问题相关度各不相同。有些文档可能非常贴切,而有些则可能只是稍微相关或者甚至是不相关的。这时,Rerank 的任务就是评估这些文档的相关性,然后对它们进行重新排序。它会把那些最有可能提供准确、相关回答的文档排在前面。

2201_75499313的博客 7132

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

使用weaviate实现向量存储

当下开源的向量数据库比较多,主要分嵌入式向量数据库(数据库和应用在一起)和客户端-服务器模型向量数据库(客户端和服务器分离),比较出名数据库如下:嵌入式包括Chroma、lancedb,客户端和服务器分离的包括:Milvus、Faiss、Qdrant和Weaviate等。本文选择Weaviate。Weaviate是一个人工智能原生矢量数据库,强调与知识图的灵活高效交互,支持单节点和集群部署,支持关键词检索和语义检索。

make_progress的博客 5238

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

高效编写大模型 Prompt 提示词,解锁 AI 无限创意潜能

随着 ChatGPT 的出现,AI 成为新的焦点,有人说过“未来 50%的工作将是提示词工作”,目前很多公司也在开始招聘 Prompt 提示词工程师。Prompt(提示词)成为了连接创意与技术的桥梁,它不仅是简单的指令,更是激发 AI 潜能的关键。从文章编写到艺术创作,从文本摘要到语言润色,Prompt 的恰当使用能够极大地提升输出的质量与效率。本文将探讨如何编写高效、精准的 Prompt 提示词,最后通过应用场景来具体分析……

老牛啊 2236

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

一文搞懂GraphRAG、LightRAG、AgenticRAG,看这一篇就够了!

一文搞懂GraphRAG、LightRAG、AgenticRAG,看这一篇就够了!

xxue345678的博客 1万+

【RAG落地利器】向量数据库Weaviate部署与使用教程

Weaviate 是一种开源的向量搜索引擎数据库,允许以类属性的方式存储 JSON 文档,并将机器学习向量附加到这些文档上,以在向量空间中表示它们。Weaviate 支持语义搜索、问答提取、分类等功能,并且可以通过 GraphQL-API 轻松访问数据。

Android23333的博客 9083

让RAG更进一步的利器:教你使用两种出色的Rerank排序模型

有意思的是,这里的前两名的排名结果刚好和未经过Rerank之前的排名相反!简单的说,Rerank就是对检索出来的多个chunks(或者nodes)列表进行重新排序,使得其排名与用户输入问题的相关性更匹配,使得更相关、更准确的chunk排名更靠前,从而在 LLM生成时能够被优先考虑以提高输出质量。• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。

m0_63171455的博客 1万+

PD 分离推理架构详解

PD 分离大模型推理中的一种架构优化策略,核心思想是把 prefill 阶段和 decode 阶段分开,由不同的 GPU 或实例分别承担。通过分离架构,系统可以针对 prefill(计算密集型)和 decode(内存密集型)的不同特性分别优化资源配置和并行策略,从而在满足 TTFT 和 TPOT SLO 约束的前提下显著提升有效吞吐量(Goodput)。虽然 PD 分离需要在 GPU 间传输 KV Cache,但通过高速互联网络和优化的传输策略,这一开销可以被有效隐藏。

cr7258的博客 4621

为什么 RAG 一定需要 Rerank?

尽管 Rerank 模型的运行速度较慢,但其在准确性上的优势使其在许多场景中不可或缺。通过两阶段检索系统,我们可以在第一阶段快速筛选出候选文档,然后在第二阶段通过 Rerank 模型进行精细排序,从而在保证效率的同时,显著提升检索结果的质量。这种策略在处理复杂的问答任务和生成任务时尤为重要,因为它能够确保最终返回的文档不仅数量适中,而且相关性更高。

python12345_的博客 945

大模型推理-基于prefill和decode阶段特性,PD分离,势在必行!

• 服务级目标 service level objectives (SLO):为提供一个满意的用户体验,大模型推理服务需要满足的一系列指标,一般包括首字延迟 (TTFT),平均出词时间(TPOT),端到端延迟(E2E),指数移动平均(EMA)。• 首字延迟 time to first token latency (TTFT):模型服务产生首字的延迟时间。• 平均出词时间 time per output token (TPOT):模型服务生成单字的平均时间,生成token的总时间处于总token数量。

2401_84495872的博客 4157

ollama本地部署LightRAG(已跑通)

安装ollama,ollama官网提供的方法速度比较慢,经常容易出现中断的现象。首先需要将LightRAG的项目拉到本地,具体可以参考github的项目,至此,通过ollama本地部署LightRAG完成。,将llm_model_name修改成。首先将ollama服务开启。

weixin_63866037的博客 1万+
上一篇: 【AI大模型】终于跑通!基于n8n的多Agent协作工作流,多智能体协作构建大模型工作流实战
下一篇: 【AI大模型】深度解析混合专家模型(MoE)让大模型既 “聪明” 又 “省电”,零基础小白收藏这一篇就够了!!
Agent学习路线
博客等级 码龄6年 1万+粉丝 1909原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值