rag

从算法到工程：构建企业级RAG系统的混合检索实践TF-IDF的致命缺陷：词频线性增长：认为"违约"出现10次，相关性是1次的10倍，不合理。实际上出现3-5次后信息已饱和。

神奇霸王龙

Agentic RAG 双硬门屠夫:5 旗舰实测适用读者:在自己应用里做 Agentic RAG 路由/打分,需要选 Qwen / GLM / 豆包 / Claude / MiMo 这些 LLM API 的开发者阅读时长:约 12 分钟测试时间:2026 年 7 月(基于炻光 AI 接入管理平台公开文档)

【LLM技术全景】RAG 从原理到实战——检索增强生成完整指南本篇是「应用实战篇」第 3 篇。前两篇我们分别解决了"如何让模型听指令"（第21篇 Prompt Engineering）和"如何让模型调工具"（第22篇 Function Calling）。但还有一个更普遍的需求：让模型回答它没学过、或知识已过时的问题。这正是 RAG（Retrieval-Augmented Generation，检索增强生成）的主场——先检索、再生成。

知识库更新后仍回答旧内容：五层排查指南处理知识库旧内容残留，可以按“资料版本、解析结果、切分片段、检索索引、运行上下文”五层排查。先用一个能够区分新旧版本的真实问题复现，再查看候选片段来自哪份文件。旧片段仍在候选中，继续查入库与索引；候选已经更新，回答仍旧，再查会话上下文和生成环节。

SelectDB技术团队

Apache Doris AI RAG 实战：从基础 RAG 到知识图谱增强的技术能力与选型一句话摘要：Apache Doris 基于 HNSW 1024 维向量索引 + bge-m3 + Deepseek 搭建 RAG 系统，结合 LangChain 完成文本分片、向量嵌入与检索生成；进一步通过 LLM 抽取实体关系、NetworkX 构建图结构、Pyvis 可视化、存入 Doris graph_chunk 表实现知识图谱增强 RAG，相比基础 RAG 能更准确回答多实体、多关系的复杂问题。

迷路爸爸180

RAG 优化方案汇总介绍可运行的 jupyter notebook 仓库：https://github.com/tangpan360/RAG_Techniques_CN

小田学Python

RAG和Embedding技术解析：从理论到实践的探索THE END往期推荐RAG知识库搭建大揭秘：原来这么简单，还能这么有趣！大模型到底怎么思考？一篇看懂 Prompt、思维链、思维树

Checkpoint 源码：Agent 执行到一半怎么保存（第80篇-E66）系列「企业级 AI Agent 实现拆解」E66 篇，Part 14 记忆篇第四章。上一篇讲记忆多了怎么衰减淘汰——那是长期知识。这篇讨论另一种持久化：Agent 正在执行时被中断了（用户关页面、服务器重启、手动暂停），怎么保存状态、下次从哪接着跑。

RAG（四）：OpenRAG、Ragflow-Plus、LinearRAG、Cache-AG、Context-AGRAG系列文章：官网，Langflow团队打造、全面开源（GitHub，4.4K Star，458 Fork）RAG平台，旨在通过智能体赋能，实现高效、智能的文档搜索和AI对话体验。

Prompt Engineering进阶：面向复杂业务场景的模板化管理与动态注入策略“Prompt不就是写一段话告诉AI要做什么吗？”这是很多初学者对Prompt Engineering的理解。确实，对于一次性问答任务，一段写死的固定文本指令可能够用。但当AI应用进入Agent执行循环、多步骤工作流等复杂场景时，情况就完全不同了。

79.高级RAG-md文档元素分割器内容参考于：图灵AI大模型全栈Markdown元素处理器元素处理器它把文档看做成元素的集合，会抽取表格、代码这种特殊内容，然后进行分割，也只把这种特殊内容进行索引生成

【学习笔记】RAG 只是 Context Engineering 的一小块-5/16很多团队做 AI 应用，第一反应是：这当然没错。如果模型没有看到公司文档、产品手册、历史工单、代码说明，它不可能稳定回答这些问题。但问题在于，很多系统上了 RAG 之后，效果还是不稳定。

80.高级RAG-LLamaIndex实际应用-金融助手内容参考于：图灵AI大模型全栈LLamaIndex做RAG的步骤如下图是LLamaIndex做RAG的步骤

Agentic AI 架构入门（三）：Agent 的七大组件与 PRAL 循环课程：《Agentic AI Architectures with Patterns, Frameworks and MCP》笔记整理（第 66–172 页）

LangChain — RAG 知识库（实操）VipRAG 是一个面向小规模正式服务的中文医学指南检索增强生成（RAG）项目。系统使用在线 MinerU 解析 PDF、DashScope 生成文本向量、Qdrant 检索、MySQL 保存文档与任务状态，并通过千问生成带来源的回答。以《中国心血管病风险评估和管理指南.pdf》做为知识库，构建RAG系统，模拟生产环境，部署成多人使用、长期运行的 FastAPI 服务，直接采用 Qdrant 向量库

LangChain的六大核心组件与 RAG 知识库构建随着大语言模型（LLM）的蓬勃发展，开发者面临着 API 标准各异、模型缺乏外部知识、提示词管理困难等现实痛点。LangChain 由此诞生。它本身并非是一个新的大模型，而是一个标准化的 LLM 应用开发框架。它通过为各种 LLM 提供统一的接口，将模型、提示词、数据源、记忆体等组件标准化地“串联”起来，快速构建复杂的生成式 AI 应用。

浏览器端 RAG：Transformers.js + WebGPU 本地检索入门《AI 前端实战》第 7/8 篇上篇：Agent 前端状态机（多工具并发、Abort 与错误隔离）下篇预告：AI 前端监控与降级

用 Rust 写 LLM Agent：原生工具调用、检索纠错、自适应路由、深度研究、多步规划为什么一个 Agent 框架要实现 6 种 Agent？为什么不是 1 种通吃的？每种背后的真实痛点是什么？该选哪个？能组合吗？本文不讲代码，只讲思路。基于 langchainrust v0.8.0 的实践。