zhihu.md•5.21 kB
# 文案一
[Dingo：面向AI时代的全方位数据质量评估工具](https://zhuanlan.zhihu.com/p/1892338512306602995)
# 文案二
[Dingo MCP来了！在Cursor中轻松玩转AI数据评估，效率翻倍！](https://zhuanlan.zhihu.com/p/1910428406631359769)
# 文案三
# 🚀 Dingo 1.9.0 重磅发布：基于RAG的幻觉数据质量评估新标杆
## 📢 重大更新预告
经过团队数日的精心打磨，**Dingo 1.9.0** 正式发布！这次更新不仅仅是版本号的跃升，更是对**RAG**（检索增强生成）时代数据质量评估需求的深度回应。
**🌟 项目地址**：https://github.com/MigoXLab/dingo
## 🎯 三大核心突破
### 1️⃣ 基于RAG检索的幻觉检测 🔍
- **智能检索增强**：结合知识库检索，不再依赖静态规则
- **上下文感知**：动态理解文档语境，精准识别事实性错误
- **多模态支持**：文本、图像、表格全方位幻觉检测
- **实时验证**：支持在线API调用，确保信息时效性
```python
# 新的RAG幻觉检测使用示例
from dingo.model.rag import RAGHallucinationDetector
detector = RAGHallucinationDetector(
knowledge_base="your_vector_db",
retrieval_method="dense_passage"
)
result = detector.evaluate(
query="爱因斯坦何时获得诺贝尔奖？",
answer="爱因斯坦在1969年获得诺贝尔奖",
retrieved_context=["爱因斯坦1921年获得诺贝尔物理学奖..."]
)
# 输出：{"hallucination_score": 0.95, "evidence": "时间错误"}
```
### 2️⃣ 配置系统深度重构 ⚙️
**让复杂配置变得简单优雅！**
- **层级化配置**：支持项目级、用户级、系统级配置继承
- **智能校验**：配置项自动验证，错误提示更友好
- **热重载**：配置修改即时生效，无需重启
- **模板化**：预置常用场景配置模板
```python
# 新的配置文件结构
input_data = {
"executor": {
"eval_group": "rag", # 使用RAG评估组
},
"evaluator": {
"rule_config": {
"RuleHallucinationHHEM": {
"threshold": 0.5 # 幻觉检测阈值
}
},
"llm_config": {
"LLMTextQualityPromptBase": {
"model": "gpt-4o",
"key": "YOUR_API_KEY",
"api_url": "https://api.openai.com/v1/chat/completions"
}
}
}
}
```
### 3️⃣ DeepWiki文档问答系统 📚
**让文档"活"起来，智能问答触手可及！**
- **深度理解**：基于最新的文档理解模型
- **多语言支持**：中文、英文文档无缝切换
- **上下文记忆**：支持多轮对话，理解问答历史
- **可视化导航**：智能文档结构解析和导航
**🌟 体验地址**: https://deepwiki.com/MigoXLab/dingo
## 💡 实际应用场景
### 场景一：RAG系统质量监控
```python
# 实时基于RAG监控回答质量（使用本地HHEM）
def monitor_rag_response(question, generated_answer, retrieved_docs):
data = Data(
data_id=f"rag_{timestamp}",
prompt=question,
content=generated_answer,
context=retrieved_docs
)
result = RuleHallucinationHHEM.eval(data) # 本地、快速、免费
if result.error_status:
logger.warning(f"检测到幻觉: {result.reason[0]}")
# 触发人工审核或回答重生成
```
### 场景二：企业级RAG部署
```python
# 完整的企业级RAG系统（集成检索+生成+幻觉检测）
class RAGWithHallucinationDetection:
def __init__(self, retriever, llm, hallucination_detector):
self.retriever = retriever
self.llm = llm
self.detector = hallucination_detector
# 预加载HHEM模型以提高性能
self.detector.load_model()
def generate_answer(self, question):
# 1. 检索相关文档
retrieved_docs = self.retriever.search(question, top_k=3)
# 2. 生成回答
context = "\n".join(retrieved_docs)
generated_answer = self.llm.generate(f"基于以下文档回答问题:\n{context}\n\n问题: {question}")
# 3. 幻觉检测
data = Data(prompt=question, content=generated_answer, context=retrieved_docs)
result = self.detector.eval(data)
# 4. 根据检测结果返回
if result.error_status:
return {"answer": None, "warning": "检测到潜在幻觉，请人工审核"}
else:
return {"answer": generated_answer, "confidence": "high"}
```
## 📊 下载与使用
```bash
# 立即体验最新版本
pip install dingo-python==1.9.0
# 或从源码安装最新功能
git clone https://github.com/MigoXLab/dingo.git
cd dingo && git checkout v1.9.0
pip install -e .
```
## 🤝 参与贡献
Dingo的成长离不开社区的支持！欢迎：
- 🐛 **Bug反馈**：[GitHub Issues](https://github.com/MigoXLab/dingo/issues)
- 💡 **功能建议**：[讨论区](https://github.com/MigoXLab/dingo/discussions)
- 📝 **文档完善**：[贡献指南](https://github.com/MigoXLab/dingo/blob/main/CONTRIBUTING.md)
- ⭐ **点赞支持**：[GitHub Star](https://github.com/MigoXLab/dingo)
#数据质量 #RAG #人工智能 #开源项目 #机器学习 #大模型