《计算机视觉度量：从特征描述到深度学习》-- 大模型应用开发基础RAG方案介绍

        今天是2025年10月19日，大家周末快乐。最近一直在忙于工业检测大模型的开发工作，忘记博客的更新。今天周末，更新一下最新开发情况。

        2025年被大家称为Agent应用的元年，这样的定义，是基于大家对大模型新的应用方式。RAG技术的开发和应用：

        RAG（Retrieval-Augmented Generation，检索增强生成），主要的工作是，对现有的知识数据进行模型推理保存模型推理结果的高纬度向量，在对用户的问题推理获取客户问题的高维度向量，并对问题数据进行检索，并把检索的获取的知识数据，和问题数据，再次进行模型推理获取最终结果。

        这种先验只是推理的方式，可以在特定数据的知识库体系内获得更加准确的结果。同样数据的质量也决定了结果的质量。

        采用RAG技术主要有几个方面的优势：

        1.摆脱对大量数据的依赖，任何细分领域的数据都可以生产RAG数据，引导模型生成准确的结果。

        2.不在采用微调的方式，进行数据训练。也就避免的过拟合和重复训练问题，模型对数据有更准确的泛化能力

        3.对RAG数据微调更方便，在使用过程中任何数据的异常都可以快速完成矫正，并进行部署。

        以上的优势和使用方法，让很多从业者很震惊，基本彻底改变了大家对模型使用过程的刻板印象，甚至出现“微调以死”的质疑。

        本次工业大模型的使用方法核心一个点就是使用RAG技术对先验的OK图片进行学习，引导模型检测缺陷的方法。大家可以体验。链接中有使用教程方法：https://share.weiyun.com/cDvWrtX4