rag

向量数据库架构与应用实战：从原理到生产部署在传统的关系型数据库中，数据查询主要基于精确匹配或范围查询。例如：然而，在 AI 应用场景中，我们经常需要处理"语义相似性"查询：

Karpathy的LLM Wiki：一种将RAG从解释器模式升级为编译器模式的架构Andrej Karpathy在GitHub上发布了一份名为LLM Wiki的文档引起了巨大的关注，一派认为"这不就是多绕了几步的RAG"，另一派已经打开编辑器着手搭建测试。

第8节：打造可配置，可扩展的自动化预处理流水线RAG与Agent性能调优：第8节：打造可配置，可扩展的自动化预处理流水线Gitee地址：https://gitee.com/agiforgagaplus/OptiRAGAgent

第6节：OCR文本错漏频发？结合LLM纠错，让图像文本也能精确使用RAG与Agent性能调优：6.OCR文本错漏频发？结合LLM纠错，让图像文本也能精确使用Gitee地址：https://gitee.com/agiforgagaplus/OptiRAGAgent

langchainrust：Rust 版 LangChain 框架（LLM+Agent+RAG）langchainrust 是一个 Rust 实现的 LLM 应用框架，提供 LLM 调用、Agent、RAG、向量存储、回调追踪等功能。

RAG 学习之-向量数据库与 FAISS 索引完全指南：从原理到选型实战摘要：本文系统讲解向量数据库的核心知识，涵盖 FAISS 索引类型、参数调优、主流向量数据库对比，以及按业务场景的选型指南。无论你是想快速搭建 RAG 原型，还是规划企业级向量检索系统，都能在这里找到答案。

LightRAG知识图谱使用和工作流集成全文链接：LightRAG知识图谱使用和工作流集成LightRAG，知识图谱，简单且快速的检索增强生成（RAG）框架。

RAG知识图谱简介全文链接：RAG知识图谱简介知识图谱（Knowledge Graph）是一种以图结构表示知识的方法，通过实体（Entity）- 关系（Relation）- 属性（Attribute）三元组形式，将现实世界的对象及其关联关系进行结构化建模。

第5节：动态切片策略与重叠机制提升RAG召回率RAG与Agent性能调优：5.动态切片策略与重叠机制提升RAG召回率Gitee地址：https://gitee.com/agiforgagaplus/OptiRAGAgent

高并发电商与AI智能客服场景下的Java面试实战：从Spring Boot到RAG与向量数据库落地场景：某头部互联网大厂，核心业务为电商 + 智能客服 + 广告推荐。角色：面试岗位：Java 后端工程师，主要做电商订单 + 用户画像 + AI 智能客服 / RAG 问答机器人相关的业务。

Spring Boot + Spring AI 实战：从零构建企业级 AI 应用随着大模型技术的快速发展，AI 应用开发已经从 Python 专属扩展到多语言生态。Spring AI 作为 Spring 官方推出的 AI 工程化框架，让 Java 开发者能够以熟悉的 Spring 编程模型快速构建企业级 AI 应用。本文将从零开始，详细介绍如何使用 Spring Boot 3.5 和 Spring AI 1.0 构建一个完整的 AI 应用，涵盖 ChatClient API、Tool Calling、RAG 检索增强、向量数据库集成等核心功能。通过本文，你将掌握 Spring AI

第4节：切片语义割裂怎么办？RAG与Agent性能调优：4.切片语义割裂怎么办？Gitee地址：https://gitee.com/agiforgagaplus/OptiRAGAgent

如何评估RAG系统的效果RAG（Retrieval-Augmented Generation）系统由检索（Retrieval） + 生成（Generation）两个核心模块组成，评估需分层进行，不能只看最终答案。

轻量级RAG与SKILL架构深度融合：专属知识库驱动智能体精准知识匹配应用实践.138我们在做大模型落地时基本都有共识：光靠大模型本身很容易出现幻觉，回答不严谨、业务知识对不上，所以RAG检索增强生成几乎成了标配。但真正用起来同样会发现，传统RAG更像一个大一统知识库，把所有业务资料、文档、规则全都塞进一个向量库里，看似全面，实则问题一堆。知识多了之后检索混乱，客服话术和技术方案互相干扰，检索精度下降；更新一条业务规则就要重构整个库，维护成本极高；而且知识库和智能体能力绑死在一起，想加个新功能、改个问答逻辑都牵一发动全身。

RAG 基础版 -- 基于langchain框架基于langchain 0.3.28 构建RAGpending

Java 开发者零成本构建 RAG 知识库：Spring AI Alibaba + Ollama 搭建本地 RAG 知识库大模型再聪明，也不了解你的公司内部文档。RAG 就是让通用模型学会"你的知识"的最佳方案。假设你是一家公司的技术负责人，团队积累了大量内部文档——产品手册、运维手册、技术规范、FAQ。现在你想做一个智能问答系统，让员工可以用自然语言提问。

4月6日（RAG系统）使用二进制量化技术，使RAG的内存效率提高32倍我们使用LlamaIndex的目录读取工具来导入文档。该工具能够读取多种数据格式

多模态RAG实战：从表格到音视频的全链路落地指南多模态处理 = 对文本、表格、图片、音频、视频等不同模式的数据，分别用最优方案处理，最终融合得到结果的过程。

高并发内容社区实战面试：从 Java 基础到 Spring Cloud、Kafka、Redis、RAG 搜索全解析场景：互联网大厂 Java 岗现场面试，业务是“高并发内容社区 + AI 搜索推荐”。角色：背景：公司做一个类似「内容社区 + UGC + AIGC」的平台，用户可以发视频、图文，AI 自动生成摘要和标题，并支持点赞、评论、收藏。第一轮先从单体应用与基本 Web 能力问起。