rag

Rerank 与混合检索：怎么让 RAG 从「能用」变成「好用」上两篇我把 RAG 的概念和最小闭环讲完了——第 21 篇说清「先查后答」，第 22 篇手搓了一个纯 Python 的 MiniRAG。那个 MiniRAG 确实能跑，但**「能跑」和「好用」之间还差着一截**。

Query 改写Query 改写就是在用户提问后、系统去数据库检索前，先由模型把用户模糊、口语化、带有指代的原始问题，改写成一个清晰、完整、对检索系统非常友好的新问题。从而大幅提升检索的准确性和召回率。

【随笔】RAG检索缓存：复用证据之前，先把权限和版本放进缓存键用户连续问两次“退款规则是什么”，RAG系统没有必要每次都重新召回相同的文档。但是，另一个租户问同样的问题，或者退款制度刚更新，这个“相同问题”就不再对应同一份证据。

小易老师AI实战

MCP服务快速实现智能体/RAG项目的插拔功能现在开发基于大模型的Agent、RAG系统，工具调用是核心能力，例如个税计算、数据库查询、文件解析、第三方接口封装等业务工具。绝大多数项目初期会把工具函数直接写在Agent主进程内部，这种模式存在几个明显问题：

@嵌入式扫地僧

实战教程：NVIDIA Jetson Nano 8GB 搭建本地 RAG 大语言模型知识库完整指南根据 NVIDIA 官方 datasheet，Jetson Nano 8GB 搭载四核 Cortex-A57 处理器，主频 1.43GHz，内置 128 核 Maxwell 架构 GPU，配备 8GB LPDDR4 内存，功耗仅 5-10W，是边缘 AI 部署的高性价比入门平台。尽管 FP16 算力只有 472 GFLOPS，但通过模型量化和优化，完全可以运行 7B 参数级别的轻量化大语言模型。

RAGFlow v1.0 企业级 RAG 落地实录：从零部署到 RAGAS 评估闭环（全踩坑记录）目标：在一台 Windows 11 机器上，跑通当前最火的开源 RAG 引擎 RAGFlow（66k+ star，GitHub Octoverse 2025 增长榜），并搭好 RAGAS 评估闭环——部署 → 使用 → 度量，走完企业落地 RAG 的完整路径。

四种AI知识管理架构全面对比与务实选型摘要：传统RAG、PageIndex、Agentic RAG、LLM Wiki 到底选哪个？网上流传的对比表方向是对的，却有三处关键错误会误导选型。本文逐条纠错，给出修正版12维度对比、每种架构的可运行伪代码、决策树和可落地的混合架构方案，看完就能做决定。

Rag引入RAG 全称Retrieval-Augmented Generation，检索增强生成适配需要事实性、专业性、时效性知识支撑的业务，实现知识更新、领域专精能力：

企业级文档智能处理大模型 API 架构选型指南：4SAPI、硅基流动与 OpenRouter 的工程权衡批量处理 PDF、Word、Excel 等复杂格式文档，实现版面解析、结构化信息提取与摘要归纳，是典型的长文本、高计算密度、多阶段异构流水线场景。与交互式对话系统不同，批量处理系统的吞吐量与稳定性直接受制于系统瓶颈。一旦出现网络抖动、模型服务不可用（5xx）、速率超限（429 Too Many Requests）或结构化输出解析失败，批处理作业便会发生雪崩式重试，甚至导致耗时数小时的离线任务整体中断。

救救孩子把

RAG 还是 Fine-Tuning？从语义切分、QLoRA 到安全防护的企业级 LLM 优化实战摘要：企业级大模型应用究竟应该选择 RAG，还是 Fine-Tuning？本文从实际工程问题出发，深入分析两种技术的适用场景，并通过 Python 实现语义切分、BGE-M3 本地向量检索、4-bit QLoRA 微调、Prompt Injection 防护和混合路由架构，最后讨论如何利用评测体系与基础设施优化大模型的准确率、延迟和运行成本。

RAG 实战：用 LangChain + LLM 对私有文档做摘要提取本次实践是一个完整的 RAG（Retrieval-Augmented Generation，检索增强生成）落地实验：对一份包含 9 项政策的公司内部文档（companyPolicies.txt），走完加载 → 切分 → 嵌入 → 存储 → 检索 → 生成的索引与问答全链路。LLM 通过 OpenAI 兼容协议接入，嵌入用 HuggingFace 的 BGE 模型 + Chroma 向量库，链路依次经历三代形态：RetrievalQA 问答链 → 提示词模板压制幻觉 → ConversationalRe

前进的李工

飞书企业知识库设计+后端高频八股作者：程序员木子｜AI Agent 关键词： AI 应用开发、企业知识库、RAG、HTTP、HTTPS、TCP、MySQL、Redis、MVCC 文章说明：本文根据面试题记录整理，重点围绕设计一个飞书企业知识库和后端基础高频问题展开。

程序猿阿森

RAG 落地实践：离线索引 + 在线 FAQ 与混合检索全流程拆解本文按“总—分—总”的结构，拆解一个实际 RAG 项目的整体流程：离线部分负责文档加载、父子块切分与向量入库；在线部分由 FAQ 缓存和 RAG 检索两条链路组成，最终把检索结果交给大模型整理返回。文中也会说明关键参数、设计权衡和面试表达思路。

爱上纯净的蓝天

不用云做 RAG：一个本地笔记问答工具的取舍与坑项目：lorebox（MIT）｜https://atomgit.com/NJPJI_JK/lorebox 技术栈：Python 3.9+ / Ollama / chromadb 现状：9 个命令、7 个核心模块、22 个测试文件共 92 个用例

从强化学习到Agentic RL：让Agent在“干活“中自己变聪明我们聊完了Agent的通信协议——MCP管工具、A2A管协作、ANP管发现。有了这些，Agent能跟外界交互了，能调用工具了，能跟其他Agent配合了。但紧接着就有一个新问题：怎么让Agent变得更聪明？

【随笔】RAG遇到冲突证据：先对齐范围，再判断来源上一篇把RAG引用定位到原文页码和段落。引用能点开之后，另一个问题就会暴露出来：两个来源都能找到原文，却给出不同答案。

用 Python 从零搭一套 RAG 系统：40 行跑通，再谈优化大模型接个 API 就能聊天，但真到业务里你会发现一个尴尬的事实：它很聪明，却对你公司的资料一无所知。员工手册、产品文档、项目复盘，它统统没见过。你问它，它不会说 "我不知道"，而是开始一本正经地编。

企业级 RAG 知识库问答大模型 API 生产选型指南：4SAPI、硅基流动与 OpenRouter 的架构权衡在企业级检索增强生成（RAG）知识库问答系统的生产落地中，技术架构团队面临的核心系统矛盾在于：高频、长上下文的多跳调用成本控制，与严苛的企业级服务可用性（SLA）、数据安全合规边界之间的张力。无论是面向内部员工的研发文档检索、法务合规审查，还是面向外部客户的技术支持与产品资料查询，RAG 系统早已超越了“单次提示词输入与文本生成”的玩具阶段，演变为涵盖意图识别、查询改写、混合检索、重排序（Rerank）、结构化工具调用（Text-to-SQL / API 联动）以及生成后事实核查的复杂有向无环图（DAG）

超长上下文目录一、超长上下文和RAG二、超长上下文的应用场景前面RAG的内容算是更新完了，我们今天是对RAG做一个扩展。讲讲宣称能代替RAG的三个技术，分别是超长上下文、Agentic Retrieval与LLM Wiki。我们先在开始给出一个结论，就是他们互相之间都没有任何的替代关系。都只是在不同的场景下的不同技术路线，仅此而已。

跟我学机器学习

拥有短期记忆的RAG Agent：记忆增强检索实战在上一节内容中详细介绍了短期记忆管理的3种方式，删除、修剪和总结。在本节内容中，我们将基于第4.10节的内容实现一个类似 ChatGPT 的 RAG 问答工具，做到每次回答完用户问题后都判断是否需要对历史消息进行一次总结，并同步将会话消息实时保存到数据库，使得每次启动程序时都能恢复历史会话。