rag

一代明君Kevin学长

RAG如何解决长文档chunking的信息丢失问题?常用的解决信息丢失的方式包括：延迟切分（Late Chunking）、代理切分（Agentic Chunking）等。在构建检索增强生成(Retrieval-Augmented Generation, RAG)系统时，文本分块(Chunking)是决定系统性能的关键步骤。

Agentic RAG：用LangGraph打造会自动修正检索错误的 RAG 系统标准 RAG 流水线有个根本性的毛病：检索到的文档一旦与用户意图对不上号，模型照样能面不改色地输出一堆看似合理的胡话，既没有反馈机制也谈不上什么纠错能力。

大厂面试实录：Spring Boot源码深度解析+Redis缓存架构+RAG智能检索，谢飞机的AI电商面试之旅又是一年招聘季，某知名电商平台正在招聘高级Java开发工程师。谢飞机，一名自称"全栈工程师"的程序员，今天来到了面试现场。面试官是一位技术深厚的架构师，让我们来看看这场面试会发生什么有趣的故事...

Part2.大模型RAG进阶多格式文档解析核心目标：把“多格式文档解析”这件事做到能落地的RAG数据入口，并给出一条从“解析 → 清洗/结构化 → 索引 → 检索问答”的实践路径。

Part 1. 大模型RAG入门基础架构介绍课件先强调：通用大模型很难直接满足真实业务，主要痛点包括：知识可能过时（训练数据有时效性）模型训练完成后，新发生的事实/政策/产品变更不会被模型“自动学会”，导致回答不及时。

用 Web 开发思维理解 Agent 的三大支柱——Tools + Memory + LLM图片来源网络，侵权联系删。如果你是一名 Web 开发者，你一定熟悉这样的场景：用户在前端填写表单 → 后端调用数据库查询用户信息 → 调用支付网关 → 发送邮件通知 → 返回成功页面

Web开发者深度解析Function Calling：Fc全链路机制与实战原理解析图片来源网络，侵权联系删。在 Web 开发中，我们早已习惯通过 RESTful API 调用后端服务：前端发送 GET /api/orders，后端返回 JSON 数据。这一过程清晰、可控、可调试。

GraphRAG简介最近因为团队有 GraphRAG 的需求，一直在调研这方面相关的工作。其实很早就了解以及折腾过这个领域中的鼻祖：微软的GraphRAG，至今依然很经典，但是当时也是浅尝辄止，没有好好深入了解。这次也是想借此机会好好整理下 GraphRAG 的技术内容，温故而知新，并且研究一些这方面做得比较好的开源项目，了解下目前这块的进展，后续慢慢更新。

Web开发者快速上手AI Agent：基于Function Calling的多步交互提示词优化实战Web开发者快速上手AI Agent：基于Function Calling的多步交互提示词优化实战图片来源网络，侵权联系删。

RAG 系统的经典工作流程RAG 的核心思路其实很简单：先检索，再生成。整个流程可以分为两大阶段 ——离线构建知识库和在线问答推理，每个阶段又包含几个关键步骤。

大鹏的NLP博客

深度解析：RAG（检索增强生成）从提问到回答的通用工程逻辑在生成式 AI 落地应用中，RAG（Retrieval-Augmented Generation）已成为解决大模型“幻觉”、知识滞后及缺乏私域数据支撑的核心方案。

MCP 实战：打造股票分析助手系统图片来源网络，侵权联系删。在 Web 开发中，我们早已习惯通过 API 获取数据、处理逻辑、渲染界面。而 MCP（Model Context Protocol）正是将这一范式扩展到 AI Agent 领域的标准协议——它让 LLM 能像调用 RESTful 接口一样，安全、可靠地使用外部工具。

Springai RAG 外挂知识库增强新建txt文档作为知识库a.txt写个CommandLineRunner在项目加载完读取知识库数据清洗存储到向量数据库（ETL）

【大模型应用开发】Langchain4j基础知识(持续更新中~)主要描述：1.JAVA大模型应用开发框架：LangChain4j。2.同时如何快捷整合RAG、function calling等功能，快速搭建属于我们javer的智能体世界。

viperrrrrrrrrr7

多模态RAG🍋🍋AI学习🍋🍋🔥系列专栏： 👑哲学语录: 用力所能及，改变世界。 💖如果觉得博主的文章还不错的话，请点赞👍+收藏⭐️+留言📝支持一下博主哦🤞

《PDF解析工程实录》第 12 章｜别让模型贴着墙走：为什么加一圈空白，效果反而更好？点此进入系列专栏先说结论：对于相当多的图像模型，在输入图像四周主动加一圈 Padding（空白边），往往能提升边界区域的识别效果。

赋范大模型技术社区

垂直领域 RAG 的第一块基石：LangExtract 信息抽取与可溯源结构化在构建垂直领域 RAG 系统时，信息抽取是连接“原始文档 → 知识图谱 / 向量库 → 智能问答”的关键一环。如果没有稳定、可控、可溯源的抽取能力，后面的 RAG、Agent、溯源问答都只是空中楼阁。本文系统讲解 Google 开源的 LangExtract 框架，重点围绕：