rag

RAG 检索面试十连问：召回率从 92% 掉到 61%，答案句被拦腰截断怎么排查你好，我是利威尔xu。这是「面试八股」系列的第二篇。上一篇我们拆了 Go GMP 调度器的 10 个高频追问；这一篇换赛道，聊 RAG 检索——站内热搜 TOP3 挂了一周的 RAG 词不是没道理的，这个方向现在面试出镜率极高，但绝大多数候选人的答案停在"向量数据库 + top-k"这一层，再往下问两句就露底。

李小白杂货铺

大模型 RAG 网页抓取能力对照实验：豆包、千问底层抓取引擎实测在检索增强生成（RAG）和AI Agent日益普及的今天，大语言模型（LLM）的“联网读取网页”能力已经成为RAG知识库、网页问答Agent的核心底座。但在交互界面之下，它的抓取行为是典型黑盒：模型是直接HTTP拉取原始HTML，还是启动Headless浏览器完整渲染？能否执行JS、等待异步渲染？子资源加载策略、URL解析容错、自动化指纹伪装、链接递归抓取的行为差异，直接决定RAG的数据保真度、幻觉概率、站点安全边界。

Agent 学习笔记（下篇二）：Claude Code 生态、RAG 与 Memory（Stage 5–6）学习来源：awesome-agentic-ai-zh —— 一份把 Agent 从「模型基础」一路带到「上线工程」的中文学习地图。本篇范围：Stage 5（Claude Code 生态系统）+ Stage 6（RAG 与 Memory）。系列说明：Track B 构建者路线共三篇——下篇一（Stage 3–4）、下篇二（Stage 5–6）、下篇三（Stage 7 / 7.5 / 8 + 延伸路线）。三篇合起来才是完整的《下篇》。

给概率大模型套上确定性缰绳：GraphRAG、神经符号与知识超图重构可信AI底座——读陈华钧杨博等CNCC2026第十届知识图谱论坛实录CNCC 2026 专题论坛 · 第十届知识图谱论坛 | 论坛主席：陈华钧教授（浙江大学） | 主讲嘉宾：杨博、田玲、姜巍、张日崇、鄂海红等 | 主题：知识增强与逻辑驾驭：知识图谱赋能可信 AI

向量检索找不到那个型号，混合检索和重排怎么搭用户问 SG-2048A 的替换型号是什么。知识库里明明有这份文档，向量检索返回的却是几篇讲产品线的综述。翻回去看，那份文档的标题里就有 SG-2048A，只是正文很短，讲得也不深。

42 万字符的工具输出压进 6,945 token：Agent 长会话的上下文治理实践本文是一次个人技术复盘，公开版本全部脱敏；文中案例数字只作为单场景历史记录引用，不推为通用结论。配套最小示例独立编写，不依赖任何内部仓库。

【随笔】RAG语义缓存：问题很相似，答案就能直接复用吗“月付套餐怎么退款？”和“按月订阅的退款规则是什么？”措辞不同，却可能需要同一份答案。昨天的检索缓存复用的是证据列表，今天再往前一步：能否直接复用已经生成的回答？

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。