chunking

孙启超11 小时前
人工智能·llm·embedding·rag·向量化·chunking·文档切分
【AI应用开发】 RAG篇（四）：Prompt 工程与进阶技术前几篇搞定了怎么存、怎么搜，本篇进入 RAG 的"最后一公里"——Prompt 工程和进阶优化技术。检索结果再好，Prompt 写得烂，答案是垃圾；检索质量卡在瓶颈，不上混合检索和查询优化，天花板就是 70 分。
孙启超4 天前
人工智能·llm·embedding·rag·向量化·chunking·文档切分
【AI应用开发】 RAG篇（三）：文档切分与多路检索前两篇我们讲清了 RAG 的整体架构和向量检索原理。但这远不足以让系统"好用"——一条最容易被忽视却最为致命的链路是：文档切不好，检索等于白做。
孙启超4 天前
llm·embedding·向量数据库·rag·向量化·ai应用开发·chunking
【AI应用开发】 RAG篇（一）：概述与核心架构现在大模型落地业务，90% 的企业场景都会优先上 RAG（检索增强生成）。不管是知识库问答、智能客服还是私有文档助手，RAG 都是绕不开的核心方案。
AI精钢3 个月前
llm·向量检索·rag·ai工程·chunking
RAG 的 Chunking 有什么好方案？从原理到实战选型Reddit 上有一个观点说得很直接：“Chunking 优化的是 embedding 的便利性，不是文档被使用的方式。”
我是有底线的