rag

LangChain4j用AiServices拼Tool写 LLM 应用时，最容易膨胀的是「手写消息列表 + 自己拼 tool call + 自己管会话」。LangChain4j 的 AiServices 换了个思路：先声明一个 Java 接口，再用 builder 把 ChatModel、记忆、工具、检索插进去，调用侧只剩一次方法调用。下面按官方 AiServices 教程与入门页落地四件事：接口与 builder、多用户 Memory、@Tool、以及把 RAG 做成按需 Tool。版本以文档示例的 langchain4j / langchain4j-op

【FDE系列】阶段3：Day 73：RAGAS 评测 — 用数据证明改动有效【大纲】FDE 前沿部署工程师学习系列教程-CSDN博客见文档结尾附录。FDE 学习系列教程 · 第三阶段 · 第 11 周 · Day 3 预计时长：3 小时 | 难度：★★★★☆ | 前置知识：Day 61-72（RAG 全链路、Qdrant 混合检索、Reranker、引用溯源、权限过滤、查询改写）对标大纲课时：3.2.10 RAG 评测 —— 召回率、准确率、幻觉率、上下文相关性、答案相关性；工具 RAGAS / Phoenix；实践项"用 RAGAS 评估 RAG Pipeline 质量"

Dify 本地部署、Ollama 与 Xinference 集成：踩坑与最佳实践指南目标：在本地（以 Windows 为主）搭建一套完全本地化、可离线运行的 AI 应用平台，包含：典型调用链：

小范的技术工坊

RAG切片策略假如你正在准备一场考试，有一本500页的教材。你的复习策略是：把书撕成很多小卡片，每张小卡片写一个知识点，考试前根据题目去抽卡片

【FDE系列】阶段3：Day 72：RAGFlow 平台 — 端到端知识库【大纲】FDE 前沿部署工程师学习系列教程-CSDN博客见文档结尾附录。FDE 学习系列教程 · 第三阶段 · 第 11 周 · Day 2 预计时长：3 小时 | 难度：★★★☆☆ | 前置知识：Day 61-71（RAG 链路、Qdrant 混合检索、解析与分块、权限过滤、查询改写）对标大纲课时：3.2.9 高级 RAG —— 工具条 RAGFlow / LlamaIndex，实践项"用 RAGFlow 搭建端到端知识库"

小范的技术工坊

RAG系统答不准的常见问题事实上，RAG就两段关键链路：离线构建索引、在线检索生成。答案不好，要么是检索崩了，要么是生成崩了检索侧问题：

【FDE系列】阶段3：Day 71：高级检索 — 查询改写与 HyDE【大纲】FDE 前沿部署工程师学习系列教程-CSDN博客见文档结尾附录。FDE 学习系列教程 · 第三阶段 · 第 11 周 · Day 1 预计时长：3 小时 | 难度：★★★★☆ | 前置知识：Day 61-70（RAG 链路、Qdrant 混合检索、RRF、Reranker、引用溯源、权限过滤）对标大纲课时：3.2.9 高级 RAG —— Agentic RAG（自主检索策略）、Self-RAG、CRAG 这一支；本篇把"自主检索策略"落成可运行代码

PageIndex没翻车，翻车的是我的解析器测试日期：2026-10-02 测试环境：Docker+PageIndex Cloud SDK+FAISS+PyMuPDF+硅基流动API 测试文档：腾讯控股2024年度年报（274页，繁体PDF）

Web3&Basketball

LlamaIndex+BGE 重排：RAG 从噪声到可信关键词：RAG、向量召回、Cross-Encoder 重排、BGE-reranker、LlamaIndex、生产级检索

【RAG面试系列】工程落地前面我们已经讲解了【RAG面试系列】基础概念、【RAG面试系列】检索优化、【RAG面试系列】生成和融合，接下来我们来聊聊 RAG工程落地。

向量索引也要治理：RAG 系统里“原始数据已作废、向量仍可检索”怎么解RAG 上线后最典型的失效不是模型答错，而是检索层悄悄失效：原文改了向量没改，原文删了向量还在，索引漂移无人发现。本文把向量索引当作一类受管数据资产，拆出索引生命周期、向量权限合规、检索质量闭环三大工作项，给出六张可直接套用的清单与巡检表。

【FDE系列】阶段3：Day 65：向量数据库入门 — Chroma 与本周收官【大纲】FDE 前沿部署工程师学习系列教程-CSDN博客见文档结尾附录。FDE 学习系列教程 · 第三阶段 · 第 9 周 · Day 5（收官）预计时长：3.5 小时 | 难度：★★★★☆ | 前置知识：Day 61-64（RAG 链路、BGE-M3、文档解析、文本分块）对标大纲课时：3.2.5 向量数据库 —— 选型对比：大规模用 Milvus，已有 PG 用 PGVector，快速原型用 Chroma，高性能用 Qdrant（本周收官）

【FDE系列】阶段3：Day 68：重排序 — 用 BGE-Reranker 把真正相关的顶上来【大纲】FDE 前沿部署工程师学习系列教程-CSDN博客见文档结尾附录。FDE 学习系列教程 · 第三阶段 · 第 10 周 · Day 3 预计时长：3 小时 | 难度：★★★★☆ | 前置知识：Day 61-67（RAG 链路、BGE-M3、向量库、混合检索）对标大纲课时：3.2.7 重排序 —— Cross-encoder Reranker、Cohere Rerank、BGE-Reranker（大纲推荐工具：BGE-Reranker、Cohere Rerank） 📌 一句话目标：把 Day 67

AI 从「能生成」到「能交付」：2026年9月智能体（Agentic）成为产业主线的多源证据与开发者应对清单本文引用的模型规格、榜单分数、奖项名称、运行时长与案例数据，均来自 CSDN、掘金、GitHub 等平台的公开报道或社区内容，统一标注为「报道口径」，不代表厂商或机构官方口径。部分来源之间存在发布时间、版本号与统计周期不一致的情况，正文会在相应位置单独说明。文中出现的第三方评测分数、获奖表述与实验数据尚未见到一手发布材料或第三方复现，请以官方后续材料为准。

向量数据库选型实战：Chroma/Qdrant/Milvus/PgVector 怎么选**一句话讲清楚：**RAG、Agent记忆、推荐系统背后都靠向量数据库做语义检索。但Chroma、Qdrant、Milvus、Redis Vector、PgVector到底怎么选？这篇从原理到选型逻辑一次讲透。

AI你一生一世

当广告采集器成为大模型的“眼睛“：跨站上下文注入的架构与代价我是AI时代的无业游民，我游荡在现实与意念之间过去一年，一个微妙的变化在浏览器与对话式 AI 之间发生：你在电商站点浏览过的商品、在技术论坛停留过的页面、在新闻站滚动过的段落，正以某种"广告采集"的名义，被汇聚进对话模型的上下文里。用户打开 ChatGPT 提问时，它给出的回答已经不只是基于你刚刚输入的那句话，而是叠加了一层来自其他站点的行为画像。

AI你一生一世

Attention is all you have：当上下文成为唯一的护城河我是AI时代的无业游民，我游荡在现实与意念之间过去两年，主流大模型的上下文窗口从 8K 一路推到 1M 甚至 10M token。表面上看，这是"能塞更多文档"的工程红利；但在真实系统里，它带来的第一个问题不是性能，而是决策逻辑的崩塌。

Dify 知识库 RAG 实战：把 100 页手册变成会回答的 AI原文链接：Dify 知识库 RAG 实战：把 100 页手册变成会回答的 AI上一篇《30 分钟跑通 Dify：Docker 一键部署，5步上线首个AI应用》把环境搭起来之后，紧接着的问题很实际：公司那本一百来页的产品手册，怎么让它自己回答问题？

TB级文本去重实战：从单机 OOM 到 Spark / Ray 分布式架构的工程演进适合谁：需要构建离线训练语料去重、并对删除结果承担审计责任的数据平台团队。默认策略：精确去重后，以字符 5-gram + MinHash LSH 找候选、真实 Jaccard 验证、连通分量选代表。不自动覆盖：热点桶、短文、超长文只保留并报告覆盖缺口。