rag

RAG学习笔记(2):关于rag和模型微调,同一个问题它们分别怎么处理好家伙,今天我们来聊一个很容易混在一起的问题:这两个东西看起来都能让大模型回答得更贴近业务.但它们解决的问题其实不一样.

梦想不只是梦与想

构建智能问答或RAG系统：三个关键组件“大模型”通常指的是大语言模型（Large Language Model, LLM）‌，而“大预言、嵌入模型、重排序模型”并不是大模型本身的三种类型，而是‌在构建智能问答或检索增强生成（RAG）系统时，常协同使用的三个关键组件‌。它们各自承担不同角色，共同提升系统整体性能。

RAG检索优化策略：系统性四层框架解析RAG在今天已经不是什么稀奇玩意了，懂或不懂的多多少少都会讲出点门道。小马之前也介绍过相关的文章链接: 《RAG检索增强生成：通过重排序提升AI信息检索精准度》。至于RAG的具体原理小马再次就不做赘述了。然而在实际的真实场景中，往往会面临着真实效果的上限问题，通用的RAG似乎都无法满足特定化的业务场。于是，我们往往需要针对其做特定业务的召回优化（专属）。

大模型project面试5DPO 和 PPO 都是大模型对齐训练里的方法，都是在 SFT 之后让模型的输出更符合人类期望。PPO 是强化学习里的一个算法，在大模型里的用法是：先额外训练一个「奖励模型」来给模型的回答打分，然后用 PPO 这个 RL 算法不断调整大模型的参数，让它生成的内容往高分方向走。这套流程需要同时维护好几个模型，工程复杂度高，训练也容易不稳定，所以成本比较大。

大模型project面试6我理解 KV Cache 和 Prompt Caching 是同一个机制在两个时间尺度上的应用。KV Cache 是「单次推理内」的优化。自回归生成时，每次生成新 token 都要让模型重新对前面所有 token 算 attention。如果每次都从零开始算，N 个 token 的总计算量是 O(N³)，根本不可接受。KV Cache 把前面所有 token 的 K 和 V 矩阵缓存在 GPU 显存里，每次新 token 只算自己的 Q、K、V，然后跟缓存的 K/V 做 attention，把总计算量从

Spring AI RAG - 07 AOP 日志记录与热词统计知识库系统的运营离不开两类数据：用户在问什么（热词分析）、系统在做什么（操作日志）。前者帮助优化知识库内容，后者用于审计和排障。

Spring AI RAG - 14 网络检索增强：Web Search 集成RAG 系统的知识范围天然受限于已上传的文档。如果用户问的是"今天的股市行情"或"最新版本的 Spring AI"，再完美的内部知识库也无能为力——这些信息根本没有被入库过。

工业级大模型学习之路012：RAG 零基础入门教程（第七篇）：高级检索架构（解决分块不合理问题）现在使用的固定大小分块（如 512token / 块）是最简单也是最常用的分块方法，但它存在三个无法解决的根本性问题，这也是 90% 的 RAG 系统回答质量差的根源。

CSharp精选营

AI 开发狂飙！.NET 11 Preview 4 原生集成向量搜索 + MCP 模板，EF Core 直接对标 RAG 应用大家好，我是码农刚子。微软官方在 .NET 11 Preview 4 发布公告中直言：“向量搜索是原生 AI 开发的核心构件之一。”当语义搜索遇上标准化 AI 工具调用协议，.NET 从高性能框架向 AI 原生开发平台的关键一步，正式落地。

qKnow 智能体构建平台知识图谱能力优化：围绕图谱探索、知识库、数据源、知识推理、知识融合与概念属性的完善升级随着企业知识智能化建设的不断深入，知识图谱、知识库 RAG、Bot 构建以及 AI 应用落地，正在成为企业构建知识中枢和智能应用平台的重要能力。

RAG学习笔记:让大模型先查资料再回答问题好家伙,这次我们来聊 RAG.RAG 这个词最近出现得很多,但如果只是记住它的英文全称,其实没什么用.

进击切图仔

从零手写 RAG本文将带你抛开 LangChain 等封装框架，用最基础的库从零构建一个检索增强生成（RAG）系统。我们将使用 sentence-transformers 生成嵌入向量，faiss 进行向量相似度检索，OpenAI Python SDK 调用 DeepSeek 大模型。每一步都会用通俗的语言解释“为什么这么做”，让 RAG 的核心原理一览无遗。如果你曾困惑于框架的“黑盒”，这篇教程会让你真正掌握 RAG 的骨架。

爱跑步的程序员~

RAG 技术全面解析：从原理到实践在前面的章节中，大模型本质上是基于自身的训练语料和概率统计，结合用户的 prompt 来预测下一个 token（词或符号）的出现概率。这就意味着：模型输出的文本是"语言上最合理"的，但未必是"事实上的正确"。

HyDE ：让 RAG 检索从“匹配关键词“升级到“理解意图“做过检索增强生成（Retrieval-Augmented Generation，RAG）的人大概都遇到过这样的情况：用户问了一个完全合理的问题，但检索就是漏掉了最相关的信息。

梦想不只是梦与想

rag和agent的区别RAG 和 Agent 的核心区别在于‌目标不同‌：RAG 是为了‌答得准‌，Agent 是为了‌做得成‌。简单来说，RAG 像‌资料员‌，负责查资料；Agent 像‌项目经理‌，负责办事情。‌‌‌

不懂的浪漫

从看清到理解：CNN、Transformer 与 RAG 背后的 AI 架构迁徙一个 CV 旧人眼中的模型范式迁移：从视觉识别、语义建模，到外部知识与 Agent 系统。今天很多人一提 RAG，就直接想到向量数据库。这个联想并不奇怪，因为向量数据库确实是 RAG 最常见的基础设施之一。

混合检索+重排序：当前 RAG 精度提升最成熟的工程路径RAG 的回答有引用，但引用是真的吗？这篇论文用"混合检索→重排序→保守生成→逐条验证"四步流水线，在生物医疗 QA 上做到了 100% 引用准确率。方法不炫，但管用。

2026 RAG 选型指南：Vector、Graph、Vectorless 该怎么挑检索找到了某个语义上接近的片段，LLM 围绕它写出一段文字，但是没人发现答案是错的。这是 vector RAG 调参解决不了的失败问题。而现在有2种方法可以解决他：

RAG-day9人话：按关键词匹配就像百度搜东西，你输几个字，它找包含这些字的文章。举例子：你搜 “乌干达鲜鱼检疫标准”稀疏检索只找包含这几个字的文档。

RAG-day11问题：只靠语义匹配，遇到专业名词、法规编号、固定关键词，搜不到、匹配不准。解决：必须搭配 ES 关键词稀疏检索，做混合检索。