#RAG
共 326 篇相关文章

AI客服有知识库还答错?RAG检索的真正难题在这里
AI客服有知识库仍会答错,根源在于RAG只做相似度检索,召回了不该用的内容。本文解析如何通过metadata标注、条件识别与冲突仲裁,让AI Agent在正确条件下只使用正确内容。

RAG检索增强生成实战:从零搭建企业私有知识库
RAG检索增强生成实战教程,详解企业私有知识库搭建全流程:从文档处理、数据分片、Embedding向量化到Milvus向量库检索与大模型生成,手把手讲清RAG原理与落地细节。

层级感知RAG分块工具包:为法律文档打造的私有化处理方案
一套面向RAG流水线的层级感知分块工具包,含法律交叉引用与法案提取脚本,支持私有化部署与源码交付,专为法律文档等结构化场景优化检索质量,兼容LangChain生态。

大模型RAG企业实战:从零搭建问答系统架构
大模型RAG企业项目实战课第一周详解:基于FastAPI构建RESTful API,统一调度本地开源模型与在线API,用PyCharm远程连接Linux服务器完成部署,并用Postman验证前后端问答链路,还原企业级大模型系统的真实开发流程。

RAG知识库系统实战:从零搭建企业级私有知识库全流程
手把手教你搭建企业级RAG私有知识库系统,基于Vue 3与Spring AI,涵盖Milvus向量数据库、分块策略、召回率优化、AI幻觉抑制、来源追溯与访问控制等企业级实战难点,附完整Java+AI学习路径。

3分钟看懂多智能体系统:从无状态模型到协作架构
3分钟看懂多智能体系统:从大模型的无状态本质出发,解析智能体循环、记忆与RAG的数据检索原理、编排者协作架构以及MCP契约,帮你建立AI Agent系统的完整认知框架。

Chunkr:用 Rust 打造的文本分块库,速度快 20 倍
Chunkr 是一个用 Rust 编写的开源文本分块库,支持递归、Markdown、层级等多种分块策略及原生 PDF 加载。基准测试显示其速度比 LangChain、pypdf 等主流工具快约 15-20 倍,适合 RAG 系统的高吞吐文档预处理。

LangChain + Amazon Bedrock:Agentic检索如何破解多段式问题
本文基于 LangChain 与 Amazon Bedrock 托管知识库,解析 Agentic 检索如何处理单次检索难以应对的多段式问题,并通过追踪事件对比两条检索路径的行为与成本,为企业 RAG 应用落地提供参考。

Naive RAG vs 高级混合RAG:检索增强生成的两种范式
一文讲清 Naive RAG 与 Advanced Hybrid RAG 的区别:从单路向量检索到向量搜索+BM25+元数据过滤+交叉编码器重排序的混合架构,帮你根据场景选择合适的 RAG 检索方案。

混合RAG检索实战:Dense+BM25+RRF与重排序完整解析
深入解析开源项目 ReRankEval 混合 RAG 检索管线:稠密向量搜索、BM25、RRF 倒数排名融合与 LLM 重排序如何协同,以及用 Hit Rate、MRR、NDCG 科学评测检索质量的完整方法。

上下文嵌入新范式:Perplexity发布pplx-embed-v2刷新基准
Perplexity发布预览版上下文嵌入模型pplx-embed-v2-context-9b,采用在编码每个分块时纳入整篇文档的新训练方法,在ConTEB和turbopuffer私有基准context-bench上刷新最佳成绩,有望改善RAG长文档检索的信息损失问题。

生产级Agentic RAG实战课程:从检索到智能体的开源教程
开源项目 jamwithai/production-agentic-rag-course 聚焦生产级 Agentic RAG 实战,已获近万 Star。本文解析 Agentic RAG 的核心思路、项目热度与适用人群,帮助 AI 工程师从 Demo 走向可上线系统。

RAG 进阶学习指南:从原型到深度掌握的优质资源路线
一位 Reddit 开发者在搭建 RAG 原型后,苦于找不到有深度、可实践的学习资源。本文分析其 LangChain + Claude 技术栈,拆解检索重排、文档解析与评估体系三大进阶方向,给出从「会用」到「懂原理」的 RAG 学习路线。

RAG全栈开发入门:从原理到五大核心环节详解
RAG(检索增强生成)全流程入门教程:从分片、索引、召回、重排到生成五大核心环节,详解向量、Embedding与向量数据库概念,助你搭建企业智能客服与知识库。

企业知识检索基准测试:AI智能体为何在真实数据前失灵
AI智能体在真实企业知识库上的检索为何频频失灵?本文解析杂乱企业数据与干净基准数据集的鸿沟,探讨RAG检索基准测试的挑战与企业级AI落地的实用建议。

Agent智能体开发入门:四大核心模块拆解与实战指南
从零入门Agent智能体开发,拆解提示词架构、工具调用、RAG记忆机制与ReAct工作流四大核心模块,帮你解决模型幻觉、死循环、胡编乱造等常见问题。

从零构建生产级AI系统:LLM、RAG到多智能体工作流全解析
本文系统拆解生产级 AI 系统的完整技术栈,从 LLM 原理、上下文窗口、嵌入、向量数据库,到 LangChain、提示工程、RAG、LangGraph 与 MCP 协议,以一个企业文档助手项目为主线,帮你一次补齐从基础到多智能体工作流的全部核心概念。

40万工单的AI质检系统:一个实习生的架构抉择
一位IT公司实习生独自承担40万条工单的AI质检项目,需在1-2个月和有限预算内构建评分助手。本文拆解排障步骤合规、相关性、语法三大维度,给出embedding、RAG与LLM的分层组合架构建议。

Agentic RAG实测:Agent循环以92.7%碾压传统管道
PipesHub 在 Google FRAMES 基准上对比 18 个 RAG 管道与 Agent 循环:最佳传统管道仅 78.9%,Agent 循环达 92.7%。实验还揭示重排器可能降低准确率、模型凭记忆脑补等关键发现。

DeepSeek+Ollama+AnythingLLM本地RAG知识库部署全攻略
手把手教你用Ollama+AnythingLLM+DeepSeek在Ubuntu环境搭建本地私有RAG知识库,详解Docker部署、模型下载、远程访问配置及常见踩坑,打造专属行业大模型。