rag

一语雨在生无可恋敲代码~

RAG的一点思考RAG有一个很典型的模块叫文本切块，然后检索。切块部分可以按window窗口切，检索部分也可以多路径检索，兼具稀疏检索，稠密检索和数据流检索。

Spring-AI RAG 如何提高召回率?💼 求职意向：本人目前正在积极寻找新的工作机会，欢迎各位大佬推荐或内推！🤝 📝 能力简述：详细的技术栈、项目经验及过往履历请见我的 Gitee 简历。同时，我也在持续更新技术博客，希望能通过分享与大家共同进步。 📄 我的简历：Gitee 简历链接

第3章：基于LlamaIndex+Ollama+ChromaDB搭建本地简单RAG问答系统本地私有化部署的检索增强生成（RAG）问答系统：无需依赖第三方云服务，通过LlamaIndex作为RAG框架、Ollama部署本地大模型和嵌入模型、ChromaDB作为向量数据库，实现对本地文档（./data/wenxin.txt）的智能问答。核心流程为「文档加载→文本分割→向量存储→智能查询」，全程在本地环境运行，保障数据隐私安全。

赋予 AI 记忆：在 RTX 3090 上搭建本地 RAG 知识库问答系统摘要：微调让模型学会了“内功”（专业术语、说话风格），但如果想让它回答具体的、不断更新的知识（比如公司内部文档、最新的教程），重新微调成本太高。这时我们需要 RAG (检索增强生成)。本文将教你如何把 llm_practical_series 文件夹里的所有 Markdown 教程变成 AI 的“外挂大脑”，让它能回答关于本系列教程的任何问题。

企业级 RAG 问答系统开发上线流程分析该项目从企业级应用的角度，可以划分为四个主要阶段：数据与知识库准备（ETL）、核心功能开发与优化、系统工程化与部署，以及测试与持续优化。

RAG效果差？7个指标让你的准确率大幅提升原文: https://mp.weixin.qq.com/s/VV29xpdOMEkbz4iXmD_szg

蜂蜜黄油呀土豆

RAG 的基石：文本嵌入模型与向量数据库为什么 RAG 离不开 Embedding 与向量数据库？在上一篇文章中，我们已经讲过： RAG（Retrieval-Augmented Generation）本质上是“先找资料，再让大模型回答问题”。

视觉语言导航从入门到精通（四）本文是「视觉语言导航从入门到精通」系列的第四篇，介绍VLN领域的前沿方法和最新研究进展。VLN领域经历了三个主要发展阶段：

第1章：了解大模型与RAGRAG是“检索增强生成”的缩写，是一种结合外部数据检索和大模型生成的技术：LlamaIndex是一个专注于RAG（检索增强生成）场景的大模型应用开发框架，核心是帮开发者更高效地将外部数据（文档、数据库等）与大模型结合，快速搭建RAG应用。

多模态大语言模型（Multimodal LLM）技术实践指南本文从工程与研究双重视角梳理多模态 LLM 的关键模块、训练方案与推理要点，适合希望在 CSDN/博客平台记录经验的开发者参考。示意公式均以 LaTeX 格式呈现。

蜂蜜黄油呀土豆

RAG 应用开发背景与问题痛点：从大模型幻觉到检索增强生成随着大语言模型（LLM）能力的不断提升，越来越多的业务开始尝试将其引入到知识问答、智能客服、代码助手、企业知识库等场景中。但在实际落地过程中，开发者很快会发现一个无法回避的问题：

Web开发者快速上手AI Agent：基于LangChain的提示词应用优化实战图片来源网络，侵权联系删。在Web开发中，我们常常需要将模糊的业务需求转化为清晰的API接口或前端组件。这个过程依赖于精准的需求描述——如果产品经理说“做个好看点的登录页”，你可能做出十种不同的版本。

异构向量空间失配机制与负余弦相似度的深层拓扑学解析（RAG索引，检索期间embedding模型不一致会带来的后果）——从黎曼流形错位到语义检索失效的系统性研究在当代自然语言处理（NLP）与神经信息检索（NIR）体系中，向量嵌入（Vector Embedding）是连接离散符号与连续语义空间的桥梁。

知识驱动开发：用iFlow工作流构建本地知识库作者：单冲接触AI编程工具以来，一直思考怎样用知识库解决AI工具不了解业务的问题。传统的RAG知识库只有关键词匹配和被动文档检索功能。

Web开发者快速上手AI Agent：提示词应用优化实战图片来源网络，侵权联系删。作为 Web 开发者，你是否经历过这样的场景？产品经理说：“做个用户能自由提问的智能客服。” 你问：“具体支持哪些问题？” 回答：“就……啥都能问吧。”

AI大模型-基本介绍（一）RAG、向量、向量数据库RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合了检索系统和大语言模型（LLM）的技术架构，目的是为了解决传统生成模型在知识准确性、时效性、可控性等方面的局限

我的 all-in-rag 学习笔记：初识 RAG—— 让 AI 从 “闭卷考试“ 变 “开卷考“那天调试公司的智能客服系统时，又遇到了熟悉的尴尬 —— 用户问最新的产品保修政策，AI 一本正经地回复了去年已经废止的条款。老板在旁边皱着眉说："这还不如人工客服靠谱。"

保险类文档 RAG 全流程实现方案整页为单 Chunk：将单页保险文档作为 1 个检索单元（Chunk），保留内容逻辑关联性；元数据对齐：文档入库的元数据字段与提问提取的元数据字段完全一致，确保过滤检索精准；

赋范大模型技术社区

Llama-Index RAG 进阶：小索引大窗口 + 混合检索 + 智能路由实战指南“明明 Demo 跑得好好的，怎么一上线就‘翻车’？”这是无数开发者在构建 RAG（检索增强生成）应用时面临的真实崩溃瞬间。在 POC（概念验证）阶段，基础 RAG 看起来无所不能。然而，一旦面对真实的生产环境——复杂的用户查询、晦涩的行业术语、海量的非结构化数据——基础 RAG 往往瞬间暴露出致命的脆弱性。

快速上手 MaxKB4J：开源企业级智能知识库系统在 Sealos 上的完整部署指南登录 Sealos 控制台 → 数据库 → 新建✅ 命名规则：仅支持小写字母、数字和连字符 -，且必须以字母开头。