rag

论文复现现场

企业知识库 RAG 用什么模型便宜？GLM-5.3-Flash 长文本 API 实测先给结论：如果 RAG 已经完成检索和重排，需要一个模型读长检索结果、回答问题并返回证据 ID，GLM-5.3-Flash 可以进入低成本 PoC 候选。本次在 15.9K、63.4K 和 127.1K Token 三档输入中，6 次有效响应全部找全 3 个答案和 3 个证据 ID；但 7 次请求里出现了 1 次 HTTP 200 但正文为空，上线前必须加响应校验和有界重试。

LlamaIndex 系列【32】检索增强策略：自问自答（Self Ask）Self-Ask 是一种多步推理 RAG/Agent 策略：大模型不直接回答用户原始问题，而是自己不断向自己提出子问题，逐个检索外部工具获取子问题答案，把问答记录保存到推理历史，直到信息足够，再输出最终答案。

LlamaIndex 系列【35】节点后处理器（Node Postprocessor）节点后处理器（NodePostprocessor）是 RAG 流程里检索之后、生成之前的一个处理环节：拿到检索器返回的 NodeWithScore 列表，对它做过滤、重排、改写元数据等二次加工，再把整理好的节点交给 LLM 生成答案。

jianpeng的工程笔记

WeKnora 搭建研发 EDA 知识库：Docker 部署、RAG 与 Wiki 实践本文面向需要部署研发知识库的 IT/CAD 与验证工程师，基于 WeKnora v0.8.0 整理 Docker、模型配置、资料导入和 Wiki 使用步骤。LDAP 只提供 Dex + OIDC 接入方案。

【2026】AI Agent 工程化落地六大挑战：从路径坍缩到成本失控阅读收益：6 大工程化挑战 · 3 个真实事故链路 · 4 段可运行代码 · 2 张对比矩阵 · 1 套落地清单测试环境：Python 3.12 + LangGraph 0.2.35 + Pydantic 2.8 ｜验证日期：2026-09-19

Experience-摆渡

Deep Dive：LLM Wiki 企业知识库范式——从 RAG 到知识预编译的架构与实践在企业知识管理里，大家几乎人手一个 RAG（检索增强生成）知识库：文档切片、向量化、提问时检索、拼上下文、生成答案。流程很标准，上线时都很兴奋。可运行几个月后，很多人会撞上同一个困惑：

LlamaIndex 系列【31】检索增强策略：命名实体识别（NER）命名实体识别（Named Entity Recognition）用于识别查询语句内特定类型的信息并进行分类，以此实现更精准的检索与筛选策略。

Experience-摆渡

开源RAG知识库WeKnora深度调研：让知识自己长成体系今天不发软文，只给你一手事实 + 一份独立评审。先看它到底是不是又一个 RAG 套件，再决定要不要了解。

东莞市云毅网络有限公司

用 SQLite FTS5 给企业文档建本地全文索引：中文分词与权重调优企业内部的文档检索，多数场景并不需要上 Elasticsearch。几千到几万份文档的规模，用 SQLite 的 FTS5 扩展就能做到毫秒级响应，且零部署成本、单文件可迁移。这篇文章记录一套可直接运行的实现：中文预分词 + FTS5 索引 + BM25 权重调优 + 查询改写。

霸道流氓气质

RAG检索增强：12种Chunking策略深度对比本文深入解析 2026 年 RAG 分块策略的最新基准数据与工程实践，涵盖从固定大小到 Late Chunking、Agentic Chunking 的完整技术谱系，补充语义分块的百分位阈值机制、LangChain4j/Spring AI 的 Java 实现、RAGAS 评估框架及生产级配置指南。

LlamaIndex 系列【29】检索增强策略：路由（Routing）机制路由（Routing）是查询进来时的智能分发器，先判断这个问题属于哪类，再把它送到最合适的那个数据源/引擎去处理。它回答的问题是去哪问，而不是怎么问（那是查询重写）或拆成几个问（那是子问题）。

阿里云大数据AI技术

千问 APP × 阿里云：MaxCompute 向量检索重构 RAG 数据收录评估链路，一条SQL将性能提速 11 倍评估一个领域的数据收得全不全，千问 App数据团队过去要花大半天：导出数据、发版审批、部署常驻服务、等召回跑完。现在，基于阿里云MaxCompute 多模态检索，只需一条提交即跑的数仓 SQL——全链路从约 6 小时 15 分压到约 32 分钟，全程零常驻资源。

编程的一拳超人

大模型研发重难点全栈手册：第 0 章导览：从预训练、混合精度、3D 并行、吞吐优化，到对齐微调、推理部署、RAG/Agent 与评测（最全完整版）📃作者主页：编程的一拳超人⛺️ 欢迎关注：👍点赞 👂🏽留言 🌟收藏 💞 💞 💞于高山之巅，方见大河奔涌；于群峰之上，更觉长风浩荡。

RAG 优化实战：从精确召回、QA 生成到上下文压缩的全链路工程化方法阅读对象：正在搭建知识库问答、企业文档助手、医疗/法律/金融领域检索增强应用，但发现“检索到的内容不对”“答案经常幻觉”“Token 成本高得离谱”的开发者。

PDF跨页表格处理方案（极简落地版 + 工具对比）统一项目内所有PDF跨页表格解析逻辑，替代各省零散、硬编码、定制化的跨页规则（海南/云南旧版逻辑）。摒弃抽象加权、枚举模型、复杂打分机制，采用逐页逐行触发 + 多信号截断判定 + 续表多维度校验的极简工业级流程，兼顾准确率、可调试性、通用性。

2026第二届湾区杯网络安全大赛决赛（AI专项赛道静态题wp）awdp做的不是很好，差不多中游，就不写了重点看ai吧，不过看了一下午也没能再出一道了，RAG有点可惜最后脑洞不够没能想到这样子做，人工分低的很，多亏了agent发力帮我们拿了一个铜奖

慧都小妮子

Word/Excel/PPT 如何稳定导出 Markdown？文档 SDK 三线能力拆解开发者常卡在一个具体需求上：把 Word 转成 Markdown，再转回 Word 或 PDF；PPT、Excel 又该怎么稳定导出为 Markdown？这其实是跨文档品类的共同现象。随着知识库、RAG 检索与大模型语料把“轻量可读文本”变成刚需，Markdown 正成为文档互操作里那个“中转格式”。本文以 Aspose 的 Words、Cells、Slides 三条线为样本，看清它的能力与边界。

告别粗暴向量检索：GraphRAG图谱增强与Agentic自适应路由落地实战目录1. 范式转移：从单点向量相似度到拓扑图谱推理1.1. 传统向量 RAG 的三大物理天花板：丢失全局、多跳断裂与语义漂移

RAG 从提问到回答：查询改写、多路召回、精排与上下文生成文档已经切好、向量已经入库，为什么用户提问后，系统仍可能找错资料，或者拿着相关资料答非所问？问题出在检索和生成之间还有几次判断：用户的问题是否表达完整，不同检索方法找到的结果如何合并，看起来相似的片段是否真的回答了问题，以及最终留下的证据怎样放进模型上下文；这些环节连接起来，才是从 "能搜索" 到 "能回答" 的完整过程

智码看视界

Day72-文档预处理实战：PDF解析 + 文本切块的正确姿势RAG 的回答质量，80% 不取决于模型，而取决于喂给模型的上下文干不干净。检索阶段确实能命中相关文档，但如果进 LLM 的 Chunk 是"目录 + 正文 + 页眉页脚 + 水印"的混合体，模型再强也会答非所问。