rag

Hermes Agent深度探索：一个会自我沉淀经验的终端智能体第一次打开 Hermes Agent，很多人会把它归类成“带工具调用的命令行 AI 助手”。这个判断并不算错，但它只描述了最外层的使用体验。真正深入源码之后，你会发现它更像一个面向长期运行的 Agent 运行时——模型只是其中一个组件，工具、会话、记忆、技能、插件、安全策略、多平台入口和状态恢复共同构成了完整系统。

24.RAG进阶(Advanced RAG)-摘要索引内容参考于：图灵AI大模型全栈摘要索引原理是先把文档进行分片，然后把分片的内容使用大模型进行生成摘要，然后放到向量数据库中，然后比如分片之后有100个，就创建100个唯一的id（跟身份证一样，由数字、字母组成），然后分别对100个摘要数据和100个分片之后的原文数据进行绑定，也就是说一个id绑定一个摘要一个原文，摘要放到向量数据库中用来做问题的搜索，就是说输入问题后先通过向量搜索摘要，找到摘要后，通过id去获取对于的原文，然后把原文带着问题去问大模型获取答案

没有腰的嘟嘟嘟

Easy-agent介绍目前，我的工作主要聚焦于 Agent 和 SKILL 相关领域。随着公司多个项目完成 Agent 化升级，我将项目集成 Agent 架构的经验进行总结和封装，最终开发出一个可复用组件——Easy-agent。

2026年AI安全与治理：从幻觉到系统性欺骗的攻防之战2026年，AI安全已从技术问题上升为全球性治理议题。随着大模型能力的不断提升，安全风险也从简单的"幻觉"问题演变为更隐蔽的"系统性欺骗"。本文深入剖析AI安全的新挑战、攻防技术以及全球治理框架。

LangChain + Ollama + Tavily 实现旅游问答系统最近在学习 LangChain 框架和本地大模型 Ollama，动手写了一个景点 + 天气问答小项目。项目功能简单，主要用来练手 LangChain 常用组件、分支路由、并行调用等基础知识点，全程本地运行，不用额外付费，适合新手跟着敲代码学习。

Python 本地 RAG 实战 | Ollama+ChromaDB 实现 PDF 离线智能问答标签：Python、RAG、大模型、Ollama、ChromaDB、本地知识库检索增强生成（RAG）是当前大模型落地应用最主流的方案。本项目全程本地离线运行，无需调用任何云端 API，不受 Token 额度限制，同时能有效保护本地文档隐私。

大厂 Java 面试实战：从 Spring Boot 微服务到 AI RAG 音视频平台全链路解析场景：互联网大厂——“云声视频内容社区”（音视频 + UGC + AIGC）角色：老程：我们是做音视频内容社区的，类似短视频 + 直播 + UGC 图文内容，还有 AIGC 文本 + 图片生成，做推荐、搜索、IM、支付和本地生活服务，你就按你熟悉的技术栈来聊。准备好了我们开始。

从 Chroma 到 Milvus：一套 Agentic RAG 知识库的工程实践很多 RAG 演示项目看起来很简单：上传文档、切成文本块、生成向量、查询向量数据库，再把检索结果交给大模型回答。真正落到生产环境后才会发现，向量数据库只是整个链路中的一环。文档解析是否完整、切分是否破坏语义、用户问题是否被过度改写、候选结果如何融合、重排序接口是否正确，都会直接影响最终回答。

weixin_42232931

企业级 RAG 系统实战详解一个完整的企业级 RAG 系统包含两条核心链路：离线文档处理链路和在线查询链路，两者通过向量库和反馈系统形成闭环。

海棠AI实验室

AI 时代文献综述：从检索到成稿的 RAG 五步法写在前面：这是一篇写给程序员、算法工程师，以及所有被文献综述折磨过的工程师的文章。我们会讲清楚文献综述的核心概念（主题归纳 / 共识与分歧 / Gap）、AI 时代的RAG 思维（引用可追溯），以及一套可复用的通用五步法（检索 / 筛选 / 嵌入 / 提取 / 生成）。

RAG混合检索深度解析：让AI真正找到你要的内容向量检索（Dense Retrieval）是目前 RAG 系统的主流做法。它的核心思想是：将文档和用户问题都转换成高维数值向量（Embedding），然后通过计算两个向量之间的余弦相似度，找出语义上最接近的文档片段。

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