❤️ 社区

"孤军奋战，其力有限；众志成城，坚不可摧。" - 海伦·凯勒

我们的项目因社区的活力、多样化的技能和共同的激情而蓬勃发展。这不仅仅关乎代码，更关乎人们齐心协力创造非凡事物。这个空间庆祝每一份贡献，无论大小，并展示那些使之成为可能的杰出人物。

🌟 贡献者

认识一些为我们做出重大贡献的杰出成员！

• Tino Max Thayil
• Da Chen
• Yongtae Hwang

📚 博客与洞见

探索由我们社区成员撰写和分享的深刻文章、教程和故事。

• Shanthi Vardhan 分享了他在 Atomicwork 团队如何使用 ragas 来提升其 AI 系统准确识别和检索更精确信息的能力，以增强服务管理。
• Pinecone 的研究探讨了 RAGs 如何增强 LLMs 的能力，在 "RAG 使 LLMs 更优秀且平等" 中使用 ragas 证明了上下文检索使 LLMs 在数据量增加到 10 亿时仍能提供显著更好的结果。
• Aishwarya Prabhat 在其全面指南 "执行、评估与追踪高级 RAG（含 AzureML、LlamaIndex 与 Ragas）" 中分享了她对高级 RAG 技术的专业见解。
• Leonie（即 @helloiamleonie）在详细文章 "使用 RAGAs 评估 RAG 应用" 中提供了她的观点。
• Erika Cardenas 和 Connor Shorten 的合作成果展示在他们的联合作品 "RAG 评估概述 | Weaviate" 及其与 Ragas 团队的播客中。
• Erika Cardenas 进一步探索了 "混合搜索权重（alpha）的 RAG 性能"，她在最近的一次实验中使用 Ragas 调整了 weaviate alpha 分数。
• Langchain 关于 使用 RAGAs 和 Langsmith 评估 RAG 管道 的工作提供了一个完整的教程，介绍如何利用这两种工具来评估 RAG 管道。
• Plaban Nayak 分享了他的工作 使用 RAGAS 评估 RAG 管道，介绍了如何使用 Langchain 和 RAGAS 构建和评估一个简单的 RAG。
• Stephen Kurniawan 比较了不同的 RAG 元素，如 Chunk Size、向量存储：FAISS vs ChromaDB、向量存储 2：多文档，以及 相似性搜索 / 距离度量 / 索引策略。
• 发现 Devanshu Brahmbhatt 在文章 使用 RAGAS 提升 LLM 的准确性 中对优化 RAG 系统的见解。了解 RAG 架构、关键评估指标以及如何使用 RAGAS 分数来提升性能。
• Suzuki 和 Hwang 进行了一项实验，研究 Ragas 的性能是否依赖于语言，通过比较日语和英语相同内容数据集的性能（人类标签与 Ragas 分数之间的相关系数）。他们撰写了关于实验结果和 Ragas 基本算法的博客。
  • RAG 评估：必要性与挑战
  • RAG 评估：RAG 中的计算指标与 Ragas 中的计算方法
  • RAG评估：评估拉加斯的有用性
• Atita Arora 撰写了关于使用RAGAS评估检索增强生成的文章，这是一个使用Qdrant和Langchain构建RAG并使用RAGAS进行评估的端到端教程。
• 额外内容：学习如何创建一个评估数据集，作为评估我们RAG管道的参考点，理解RAGAS评估指标及其含义，并将其应用于测试一个简单的RAG管道，使用RAGAS指标衡量其性能。
• 代码走查：https://github.com/qdrant/qdrant-rag-eval/tree/master/workshop-rag-eval-qdrant-ragas
• 使用Deepset Haystack和Mixedbread.ai的代码走查：https://github.com/qdrant/qdrant-rag-eval/tree/master/workshop-rag-eval-qdrant-ragas-haystack

📅 活动

及时了解我们最新的聚会、见面会和在线网络研讨会。

• OpenAI工程师在DevDay上分享了他们的RAG技巧和Ragas功能。
• Langchain与Ragas团队合作举办的LangChain "RAG评估”网络研讨会。