rag

软件聚导航

「聚小软 AI 助手」技术升级：从数据库检索到 RAG 知识库问答前言各位小伙伴大家好，「软件聚导航 AI 助手」今天完成了一次重要升级--接入 RAG（检索增强生成），让它开始真正认识「软件聚导航」本身。

GraalVM 21 Native Image 编译踩坑全记录：从 class 初始化冲突到成功构建Spring Boot 3.x 智能客服项目，集成了 Nacos（配置中心/服务注册）、Milvus（向量数据库）、Logback（日志）、MyBatis-Plus、Elasticsearch、Redis 等组件。配置了 Maven 双 Profile（JVM / Native）支持 GraalVM AOT 编译。

水管在开花.

Agent范式与LangGraph④-零基础保姆级教程现在图把它抬升了一层：updates 流"步骤"、messages 流"字"——真实产品往往两者组合（前端上方滚动"正在查询天气…"的步骤条，下方打字机输出正文）。FastAPI 会把这两路流转成 SSE 推给浏览器。

从零搭建行业知识平台：向量库+图数据库+传统关系库的多模检索统一层设计我在为一家大型制造企业搭建知识平台时,被业务方提了一个"简单"的需求:“把我们几十年的设备维修知识做成一个系统,工程师问什么,它就能答什么。”

VSCode如何配置LlamaIndex RAG(检索增强生成)应用开发环境是什么怎么安装配置VS Code（也就是Code）, 是一款代码编辑器, 它免费且开源并跨平台, 由微软进行开发以及维护, 该编辑器被大量用于软件开发还有编程, 它能支持多种编程语言包括框架, 并且它同时还提供了丰富的功能以及扩展性, 这能让开发者高效进行编写、编辑进而调试代码。

RAG 文档切分长度与检索召回摘要：《本地知识库落地顺序》已经能证明“前三条检索命中率达标”，《RAG 命中后的引用格式与拒答规则》又要求片段里能写出可核对原文。很多团队卡在这一步：文档明明能命中，引用却缺字段名或路径。本文用同一套支付回调、登录接口、发布手册示例，说明切分长度如何影响检索召回与片段可用率，给出扫描脚本、双指标对比与切分闸门；本机标准库即可跑通。

RAG 文档变更后的检索回归清单摘要：本地知识库把前三条检索命中率与引用信封跑通之后，文档一改又容易悄悄退化：文件名换了、字段名改了，文档指纹清单能检出变更，但没人重跑固定问题集，上线后才发现旧问法命不中。本文给出 RAG 文档变更后的检索回归清单：文档指纹清单、固定评测集对比、退步问题列表与发布闸门；以支付回调文档改版为例，本机用标准库脚本可一键跑通，并在闸门处拦住 REGRESSION_BLOCKED（回归未通过，不得发布索引）。

水管在开花.

RAG：知识库问答系统教学④-零基础保姆级教程检索管线产出了 3~5 个高质量块，最后一棒：让模型只依据它们作答，并附上出处。逐条讲"为什么"（面试答题素材）：

像风一样自由2020

15.Milvus是什么?为什么RAG系统经常使用它?码海寻道 · 大模型、智能体与 RAG 工程组件系列第 15 篇当企业知识库从几千个文档增长到数百万个文本片段，RAG 系统面临的问题就不再只是“能不能查到”，而是：向量如何存储、索引如何构建、查询如何扩展，以及检索服务是否会拖慢业务数据库。

水管在开花.

RAG：知识库问答系统教学②-零基础保姆级教程pypdf 这类"提取文本"的库对付规整的文字型 PDF 没问题，但真实企业文档充满地雷：地雷现象对策

像风一样自由2020

13.pgvector入门用PostgreSQL直接实现向量检码海寻道 · 大模型、智能体与 RAG 工程组件系列第 13 篇如果项目已经使用 PostgreSQL，是否一定要再部署 Milvus？

RAG 检索增强生成全面解析：从知识库构建到检索、重排序与生成优化数据加载，将需要作为 RAG 文档的原始文件加载为 Document。 https://gitee.com/wangs-joyful-home/rag/blob/master/BaseRag/dataParse.py

ZGI 混合检索：汇集候选并统一重排混合检索把多种检索路径得到的片段汇入同一个候选池，再根据相关性完成筛选和排序。语义检索擅长处理口语和同义表达，关键词与全文检索更容易命中编号、术语和原文短语，图谱检索用于补充实体关系。正确片段没有进入候选池时，应检查检索方法；片段已经出现却排位靠后，再检查重排。

LlamaIndex 全栈实战指南：架构解构、RAG 核心原理与私有知识库工程化落地方案大语言模型（LLM）面临知识时效性滞后、私有数据盲区与事实幻觉三大工程瓶颈。检索增强生成（RAG, Retrieval-Augmented Generation）是解决私有数据问答成本最低、准确率最高的工程路径。

O。O蛋黄酥啊

GraphRAG 和 LightRAG 详解与对比摘要：同样是「知识图谱 + RAG」，为什么有人选微软的 GraphRAG，有人却偏爱港大的 LightRAG？这篇文章带你拆解两大主流方案的完整链路：从索引、查询到增量更新，把「烧钱烧 token 的全局洞察」和「秒级响应的轻量部署」掰开揉碎讲清楚。看完你就能明白：什么时候该上 GraphRAG 啃硬骨头，什么时候该用 LightRAG 快速迭代，最后还有一套「稳定知识 + 动态数据 + 查询路由」的混合架构实战思路，帮你少走弯路。

像风一样自由2020

11.PostgreSQ、-MySQL与MongoDB-AI应用如何选择数据库码海寻道 · 大模型、智能体与 RAG 工程组件系列第 11 篇做大模型应用时，数据库选型经常被简化成一句话：PostgreSQL 功能最全，MySQL 最常见，MongoDB 最灵活。

辞忧九千七

从Milvus到RAG：向量数据库核心技术与索引调优完全指南本文带你从零开始，系统掌握向量数据库Milvus的核心概念、索引算法选型、倒排索引底层原理，并串联起RAG离线/在线完整技术链路。文章采用“人话”类比 + 代码注释 + 实战调参三位一体的方式，让你真正融会贯通，而非死记硬背。

大模型丫丫

检索增强生成（RAG）入门：原理、架构与实践检索增强生成（Retrieval-Augmented Generation，简称 RAG）是一种将信息检索（或向量搜索）与大型语言模型（LLM）生成能力相结合的技术架构。其核心思想是：在 LLM 生成答案之前，先从外部知识库（如文档、数据库、网页）中检索出与用户问题最相关的信息片段，然后将这些信息作为上下文提供给 LLM，从而生成更准确、更具事实依据且能减少“幻觉”的答案。

RAG23-RAG28所有文档加载器最终返回 Document 实例表格所有加载器都具备这两个方法。专门用来读取 csv 文件，每一行 csv 生成一个Document对象。