rag

小程故事多_80

RAGFlow 分块策略全景与 Book 策略深度解析RAGFlow 一共有 15 种分块策略，定义在 common/constants.py 的 ParserType 枚举中，通过 rag/svr/task_executor.py 的 FACTORY 字典分发到各自的实现模块。

企业知识库布道者

从 OCR 到文档结构理解：MinerU-Popo 对 RAG 文档解析链路的补全MinerU-PopoOCR 解决的是“看见文字”的问题。在文档智能场景里，这一步很重要，但还不够。一个 PDF 被 OCR 之后，通常会得到一组页面级的结果：文本块、标题块、表格块、图片块、坐标、页码，以及一些模型识别出来的版面标签。它们能说明“这一页上有什么”，却不一定能说明“整篇文档在讲什么、这些内容之间是什么关系”。

程序员三明治

RAG 元数据的作用与管理：让知识库回答可追溯、可过滤、可维护上一篇我们聊了 RAG 中的文本分块（Chunking）：如何把长文档拆成适合检索的小块。分块解决的是“长文本如何变成可检索单元”的问题，但它没有回答另一个关键问题：这些文本块从哪里来、属于哪个业务范围、当前是否生效、谁可以查看、出了问题怎么回溯。

向量数据库选型指南：Milvus vs Chroma vs WeaviateRAG 架构让向量数据库成为 AI 基础设施核心。与传统数据库不同，向量数据库专为高维向量相似性搜索设计。

21.RAG进阶(Advanced RAG)-RAG存在的问题（Advanced RAG）内容参考于：图灵AI大模型全栈实现一个RAG的流程：首先加载文件，然后读取文件中的文本，然后分割文本，然后把文本转成向量，然后保存成知识库，然后把我们的问题也转成向量，然后使用问题的向量去知识库中搜索，把搜索到的知识添加到向ai大模型提问的提示词中，然后提交给大模型回答

大模型 / RAG / Agent 面试高频题这篇文章《大模型 / RAG / Agent 面试基础高频题》，适合准备以下方向：（这里主要是介绍自己的项目，这里就不给出标准答案了）

Reranker 模型实战：让 RAG 检索精度再提升 20%如果你做过 RAG（Retrieval-Augmented Generation）项目，一定遇到过这个痛点：**向量检索召回了 20 条文档，但真正相关的只有前 3 条，后面全是噪音。**这些噪音不仅浪费 Token，还会干扰 LLM 的推理，导致生成结果质量下降。

【RAG】工程化实战：全链路原理复盘 + 方案选型 + 实战高阶玩法🔥个人主页： Ryan🔥专栏：【后端】登神长阶实战落地后端全路线手册在 AI 圈子里，一直流传着一个心照不宣的秘密：用 LangChain 或 LlamaIndex 几行代码搭一个 RAG（检索增强生成）系统，只需要一个下午；但要让它达到生产环境的落地上线标准，往往需要大半年。

我把RAG召回率从60%提到90%，就改了这两件事💪🏻 1. Python基础专栏，基础知识一网打尽，9.9元买不了吃亏，买不了上当。 Python从入门到精通

要开心吖ZSH

AI医疗分诊与健康咨询助手agent开发——（0）项目背景与概要说起来这个想法不是突然冒出来的，是几条线慢慢汇到一起的。我目前在做互联网医院的项目，上线之后发现一个很明显的问题——我们的挂号流程是"直筒式"的：选医院，然后医院各科室列表摆在这儿，你自己选，自己挂。系统不会问你哪里不舒服，也不会帮你判断该挂哪个科。结果就是，患者挂错科的情况时有发生。每次看到客服反馈过来的这类工单，我心里就想：这个环节，明显是能用技术优化的。

提示词工程与实践合集大型语言模型本质上是一个黑箱，而提示就是我们与它沟通的唯一接口。就像我们使用自然语言与人交流一样，提示也是我们向LLM下达指令、描述任务、提供上下文的主要方式。

揭秘RAG：检索增强生成技术解析什么是 RAG？RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合了信息检索与大语言模型的技术框架。它旨在通过引入外部知识源，弥补大模型在事实性、时效性及私有化知识方面的短板。

菜到离谱但坚持

【小白零基础】RAG+LangChain 搭建私有知识库问答系统（完整可运行代码+超详细教程+避坑指南）收藏⭐ + 点赞👍 + 关注✅ 零基础入门大模型RAG应用，保姆级教程，新手零翻车！哈喽大家好！很多刚入门大模型的小伙伴都有一个疑问：如何让AI学习自己的私有资料？

2.PDF长文档完整读取RAG = 给大模型（比如 ChatGPT、豆包、开源大模型）外挂了一个你自己的私有知识库，让大模型能精准、无差错地回答你私有数据里的内容，不会瞎编、不会用过时的知识。

2.2 RAG 体系：RAG、Chunk 分块、Rerank 重排、混合检索Embedding 让文字变成了数字，但光有向量还不够——你需要一整套流程把「用户提问」变成「精准答案」。这就是 **RAG（检索增强生成）**，目前大模型落地最成熟、最实用的技术方案。没有 RAG，LLM 只是一个「能聊但不懂你业务」的聊天机器人；有了 RAG，它才能变成真正懂你的业务助手。

你不是我我

【Agent 学习日记】Agent 的记忆是如何设计的？短期记忆和长期记忆有什么区别？目录🍕一、Agent 记忆的整体设计框架🍕二、短期记忆 —— 任务的“工作台”🍕三、长期记忆 —— 经验的“知识库”

19.LangChain框架7-LangChain1.0版本使用Agent（中间件实例）内容参考于：图灵AI大模型全栈后面会有专门的Agent详细玩法，这里只是做一个了解1.0的调用方式比0.3版本简单很多

FlowGame 从零上手：开源 AI 工作流编排框架与 Vue 3 接入实战导读：FlowGame 是一款轻量级、可私有化部署的 AI 工作流编排框架。本文将从零开始，带你完成「克隆仓库 → 启动编辑器 → Vue 3 嵌入 → Python 后端联调」全流程，适合希望在自有业务系统中集成可视化 AI 工作流的开发者

企业级私有化AI知识库完整搭建指南：从RAG架构到Llama 3落地实践企业内部文档分散、检索效率低下是普遍痛点。基于检索增强生成（RAG）的AI知识库能以自然语言问答方式提升信息获取效率，但公有云服务存在数据安全风险。本文详细记录了一家科技公司私有化部署RAG知识库的全过程：基于JVS-AI开源套件，集成Llama 3 8B模型和Chroma向量数据库，实现了2000份文档的智能问答，准确率达85%，响应时间控制在2-3秒。文章涵盖架构设计、部署步骤、性能调优、权限隔离及常见问题解决方案，为有类似需求的企业提供可直接参考的技术实践。

Hermes Agent深度解析：从ReAct到多智能体系统架构实战核心观点： Agent不是简单的API调用，而是一个能感知、思考、行动和适应的自主系统。在人工智能的浪潮中，大型语言模型（LLMs）的出现无疑是划时代的事件。它们赋予了机器前所未有的自然语言理解和生成能力。然而，如果将 LLMs 视为强大的“大脑”，那么如何让这个大脑真正具备“行动力”、“记忆力”和“规划能力”，从而解决现实世界复杂的、多步骤的问题，则是当前 AI 领域的核心挑战。