rag

RAG 完整面试指南：原理、优化、幻觉解决方案适合岗位：AI 大模型开发 / NLP 算法工程师关键词：RAG、检索增强生成、大模型幻觉、Embedding、混合检索、Chunk 优化

企业级RAG应用构建手册如果结果不如你所愿，就在尘埃落定前奋力一搏。——《夏目友人帐》有些事不是看到了希望才去坚持，而是因为坚持才会看到希望。——《十宗罪》维持现状意味着空耗你的努力和生命。——纪伯伦

LangChain：自定义模型・RAG 检索・Agent 原理笔记项目文件夹：llmsLangChain开发入门教程：：llms/langchain_tutorialLLM训练：llms/train

从零开始学习人工智能

量化评估RAG效果：LLM答案自动评估脚本全解析在RAG（检索增强生成）系统的研发与优化过程中，客观、量化地评估回答质量是核心环节——仅凭人工主观判断不仅效率低下，也无法精准对比不同方案的优劣。本文将详细拆解一款「LLM答案自动评估脚本」，从核心原理、环境搭建、代码实现到实战应用，手把手教你用GPT-4o-mini/GPT-3.5作为“智能评委”，自动化完成RAG回答的多维度打分。

如何设计Agent的记忆模块大模型天生就有有记忆缺陷。就同HTTP请求一般，每次对大模型的请求，都是无状态的。所以为了让大模型拥有记忆，就需要在每次请求里面，携带上他之前说过的话。从而模仿他的记忆，让他知道，自己是谁，为谁服务，服务什么，服务对象又有什么性格等等…

第17节：模型忽略关键实体怎么办？注意力权重分配机制引导生成拒绝重点RAG与Agent性能调优：17.模型忽略关键实体怎么办？注意力权重分配机制引导生成拒绝重点Gitee地址：https://gitee.com/agiforgagaplus/OptiRAGAgent

从辅助编码到架构重塑：基于 LLM 的智能开发工作流落地实战在人工智能技术爆发的时代，AI 工具、大模型及行业应用正深刻改变开发者的工作模式与各领域的发展格局。从早期的单行代码补全，到如今的复杂逻辑推演、自动化测试生成，再到基于大模型的垂直行业解决方案，AI 已经不再仅仅是一个 “高级玩具”，而是正切实成为提升研发效能、驱动业务创新的核心引擎。

Java面试题53：一文深入了解RAG（检索增强生成）核心概念检索增强生成（Retrieval-Augmented Generation, RAG）是一种融合信息检索技术与大语言模型（LLM）的 AI 生成框架。其核心逻辑是：先从外部知识库精准检索相关信息，再将检索结果作为上下文喂给大模型，由大模型结合检索内容生成准确、事实性强的回答。

LLM工具调用面试篇2Function Call 的能力主要靠两个训练阶段来培养，这两个阶段解决的是不同的问题。第一个是 SFT，就是给模型喂大量「包含工具调用的完整对话样本」，每条样本覆盖工具定义、用户问题、模型应该输出的结构化 JSON 调用、工具执行结果、最终答案，让模型通过模仿学会整套流程。但光有 SFT 不够，模型可能学得过激，遇到什么问题都想调工具。

【AI模型】——RAG格式集成本文系统介绍了大语言模型格式化生成技术，涵盖Output Parsers、LlamaIndex结构化输出、提示工程技巧及Function Calling等核心方法，并对比了提示词约束、JSON模式、控制生成等RAG场景下的格式优化实现路径。

LangChain入门教程官网：https://www.langchain.com/ · 文档：https://python.langchain.com/docs · GitHub：https://github.com/langchain-ai/langchain

【AI模型】——基于知识图谱的RAG本文系统介绍了GraphRAG（基于知识图谱的检索增强生成）技术，从传统RAG的局限性出发，阐述了知识图谱赋能RAG的核心优势与范式革新，涵盖GraphRAG的三阶段架构、方法论分类，以及Microsoft GraphRAG、LightRAG等前沿框架，并讨论了性能评估指标、生产部署挑战与选型建议。

第16节：如何科学调节切片长度与滑动窗口，结合倒排索引与向量锁引对比优化RAG与Agent性能调优：16.如何科学调节切片长度与滑动窗口，结合倒排索引与向量锁引对比优化Gitee地址：https://gitee.com/agiforgagaplus/OptiRAGAgent

龙侠九重天

RAG 检索增强生成：原理与应用场景2022 年底，ChatGPT 的横空出世让全世界见识到了 AI 的强大能力。它能够写诗、作画、编写代码，甚至能与人类进行流畅的对话。一时间，「人工智能将改变世界」成为共识，无数开发者争相将大模型接入自己的产品。

LlamaIndexLlamaIndex 的核心价值：把企业内外部数据转换为 LLM 可高效检索、可组合查询、可追踪执行的知识索引层。

RAG面试篇10我的判断是，当业务问题涉及多个实体之间的关联推理的时候，就需要考虑引入图数据库来增强。向量检索有一个根本的局限，它只能做单跳检索，找和问题直接相关的文档，没办法沿着实体之间的关系链做推理。比如你问公司 A 的投资方和公司 B 有什么交集，单纯向量检索就很难处理了，因为答案不在某一段文档里，而是藏在多个节点之间的关系上。

RAG面试篇11我理解知识库更新的核心挑战是，文档变了，对应的 chunk 和向量都要跟着变，而且要做到增量处理，不能每次全量重建。我们的通用方案是给每个文档算一个内容 hash，通过轮询或者监听数据源变更，检测到文档新增、修改、删除的时候，先清掉旧的向量，再重新切割入库。对于实时性要求比较高的场景，我会用消息队列比如 Kafka 做变更事件驱动，实现秒级的入库。

LangChain基础学习笔记你可以把 LangChain 想象成一套乐高积木。在基础中，我们几乎只使用 Chat Models。

LangChain框架-ModelLangChain把对模型的使用拆分为3块输入提示（Format）、调用模型（Predict）、输出解析（Parser）

RAG面试篇6当你把一个问题输入给 RAG 系统，它不会直接丢给大模型，而是先经历一套「检索 -> 整理 -> 生成」的流水线。