retrieval-augmented-generation
1.Advanced RAG와 Reranker
RAG의 정의, Advanced RAG와 RAG의 차이점, Reranker 설명과 llamaindex에서의 활용 예시
2.LlamaIndex 의 Agent, Tool 개념 설명
llamaindex에서 agent와 tool 이해하기
3.구조화된 데이터를 가능하게 하는 Function Calling Model, JSON과 Pydantic의 장단점
Function Calling LLM의 정의와 JSON, Pydantic의 차이 설명
4.Building Agentic RAG with LlamaIndex - 0. Introduction
LlamaIndex로 Agentic RAG 만들기 (강의요약) - 0. Introduction
5.Building Agentic RAG with LlamaIndex - 1. Router Query Engine
LlamaIndex로 Agentic RAG 만들기 (강의요약) - 1. Router Query Engine
6.Building Agentic RAG with LlamaIndex - 2. Tool Calling
LlamaIndex로 Agentic RAG 만들기 (강의요약) - 2. Tool(도구) 호출하기
7.Building Agentic RAG with LlamaIndex - 3. Building an Agent Reasoning Loop
LlamaIndex로 Agentic RAG 만들기 (강의요약) - 3. 에이전트 추론 루프 만들기
8.Building Agentic RAG with LlamaIndex - 4. Building a Multi-Document Agent
LlamaIndex로 Agentic RAG 만들기 (강의요약) - 4. 여러 개의 문서 에이전트 활용하기
9.검색한 문서의 순위를 바꾸는 Reranker (Cohere, RankGPT, Cross Encoder Reranker)
Reranker 소개 (필요성, Cohere Reranker, RankGPT (RankLLM), HuggingFace Cross Encoder 설명 및 Langchain 구현 코드)
10.모델의 컨텍스트 길이 한계를 극복하는 Prompt Compression (LLMLingua)
프롬프트 압축 기법 LLMLingua 소개 (논문 및 방법론, Langchain 구현 코드, 한국어 성능 실험 결과)
11.쿼리 대신 가상의 문서로 임베딩을 검색하는 HyDE Retrieval
쿼리 대신 가상의 문서 벡터로 문서를 검색하는 HyDE 소개, Langchain 구현 코드
12.Corrective RAG (CRAG) 논문 정리 및 Langchain 구현코드
Advanced RAG 테크닉: CRAG (Corrective RAG) 논문 정리 및 Langchain 코드 설명
13.Self-RAG 논문 정리 및 Langchain 구현 코드
Advanced RAG 테크닉: Self-RAG 논문 정리 및 Langchain 구현 코드 일부 설명
14.쿼리 난이도에 따라 다른 RAG 전략을 선택하는 Adaptive-RAG 논문 정리
쿼리의 복잡도를 기반으로 검색 전략을 선택하는 Adaptive RAG
15.다중 문서로부터의 추론 성능을 판단하는 MultiHop-RAG 데이터셋 논문 정리
여러 개의 컨텍스트를 활용해 답변하는 multi-hop 쿼리를 위한 벤치마크 데이터셋, MultiHop-RAG
16.개체 정보를 문맥에 포함하는 T-RAG (Tree RAG) 논문 정리
RAG에 개체 정보를 포함하는 Tree-RAG
17.문서를 계층적으로 요약해 긴 문맥을 활용할 수 있는 RAPTOR Rag 논문 정리
문서를 재귀적, 계층적으로 요약해 긴 문맥정보를 언어모델 응답 생성에 활용하도록 하는 RAPTOR Rag 방법론 설명