rag

03. GraphRAG：当知识图谱遇见大语言模型摘要：本文先简短回顾上篇RAG分块的内容，然后深入解析了GraphRAG的核心原理与应用场景，从知识图谱构建到社区检测算法，再到多级检索策略，带你全面理解这一大语言模型增强技术。作为AI学习者，掌握GraphRAG将为你打开复杂推理应用的大门。

LangChain之核心组件(文档加载器Document loaders)我们将重点放在 RAG 阶段（Retrieval-Augmented Generation，检索增强生成）。这是当前大语言模型应用的核心模式。RAG 的流程相对复杂，为了更好的理解 RAG，我们先用 AI 搜索来引出 RAG。 • 对于【AI 大模型】来说，它最擅长的是语义理解和文本总结，最不擅长的就是获取实时的信息。因为大模型的训练数据是有截止日期的！ • 对于【搜索引擎】来说，它最擅长的就是获取实时的信息，缺点是信息分散，每次都需要人为进行总结。 • 大模型与搜索引擎的结合，就是给 AI 配备了一

05. 从入门到实践： LlamaIndex与 RAG 应用构建摘要：本文聚焦LlamaIndex，作为LLM应用的核心数据框架，它搭建起通用大模型与私有数据的桥梁。文章系统拆解其四大核心流程：Loading完成文档加载与节点分割，Indexing构建向量索引实现语义检索，Storing借助StorageContext实现数据持久化，Querying提供自然语言查询接口。同时深入解析Workflows模块，涵盖事件驱动的控制流、状态管理与可视化调试能力。全文帮助开发者掌握从数据接入到复杂AI代理编排的完整路径，助力构建高效RAG应用。

Agentic RAG：从“被动检索”到“主动决策”的架构演进随着大语言模型（LLM）应用的深入，传统的检索增强生成（RAG）系统在处理复杂、多跳推理任务时逐渐显露出局限性。本文深入探讨了Agentic RAG这一新兴范式，解析其如何通过引入“智能体”概念，将静态的检索管道升级为具备规划、决策与反思能力的动态系统。我们将详细拆解其三大核心组件——检索智能体、检索路由器与答案评论家，并通过实战案例展示其工作流程，为构建下一代企业级AI应用提供实用指南。

大模型学习之路006：RAG 零基础入门教程（第三篇）：BM25 关键词检索与混合检索实战在上篇中，我们实现了基于 BGE+Chroma 的语义检索系统，它能很好地理解文本的语义，解决了传统检索 "字面匹配、语义不匹配" 的问题。但单一的语义检索存在致命短板：

BM25 + Vectors：为什么真实 RAG 系统通常两者都需要RAG 是一个先选内容再做生成的系统；retriever 不搜索文档，它搜索 chunks。 chunks 有问题了那么检索还没开始就已经完蛋了，所以我们可以用结构感知切分修这一点，把标题、代码块、警告框保持在一起。

哥本哈士奇

详解传统RAG、Text2SQL、Graph RAG：适用场景与问题示例汇总在AI问答与数据查询领域，传统RAG、Text2SQL、Graph RAG是三种核心的技术路径，它们各自有明确的定位、独特的特点，适配不同类型的查询需求。很多开发者在实际项目中会混淆三者的适用场景，本文将详细拆解每个系统的核心特点，明确其适合回答的问题类型，并搭配10个具体示例，帮助大家快速区分、精准选型。

RAG 的 Chunking 有什么好方案？从原理到实战选型Reddit 上有一个观点说得很直接：“Chunking 优化的是 embedding 的便利性，不是文档被使用的方式。”

如何提高 RAG 的检索质量？这才是真正的瓶颈所在有一句在 AI 工程圈流传的话：“RAG 没问题，问题出在你的检索层。”大多数开发者遇到 RAG 效果差时，第一反应是换更大的模型、调 temperature、改 prompt。折腾一圈发现没用——因为根本没对症。

Embedding与向量语义——大模型是怎样“理解”文字的？在面试中，如果你在简历上写了“RAG”、“向量检索”，面试官几乎一定会追问一句：“你用了 Embedding，那你说说它的原理是什么？为什么两个词的向量相似，就代表它们语义相近？”

Semantic Chunk 为什么需要 Embedding API固定长度分块不需要任何外部服务，语义分块却必须调用 Embedding API——这背后的原因是什么？

大模型为什么会有“幻觉”——从训练方式到推理局限如果你用过ChatGPT或任何大模型，你一定遇到过这种情况：你问：“深度求索公司是哪一年成立的？” 大模型答：“深度求索公司成立于2019年，总部位于深圳……”（一本正经、语气肯定、完全是编的）

new【一个】对象

RAG详解原理：在构建大语言模型智能体时，有时需要给大模型提供外部文本资料。需要将待查询文本，切片后存储进向量数据库。通过余弦相似度匹配，找到与用户问题语义最接近的文本片段。

RAG 与 AI Agent：智能体真的需要检索增强生成吗？很多企业做 AI 应用时，第一反应都是上 RAG：把内部文档切片、向量化、放进向量库，然后让大模型基于检索结果回答问题。

给自己做减法

rag混合检索入库需要注意的是混合检索不能直接采用并集，错误代码如下，不可用于实际生产环境，（最优解应该使用加权融合）

大模型学习之路004：RAG 零基础入门教程（第一篇）：基础理论与文档处理流水线在学习 RAG 之前，我们必须先搞清楚：RAG 是为了解决什么问题而诞生的？所有的大语言模型（GPT、Claude、LLaMA、Qwen 等）都有三个无法通过自身优化彻底解决的原生缺陷：

LangChain RAG 基础基于你已经学习完：检索增强生成大白话：这就叫 RAG。这就是最简单、最标准的 RAG 结构！==================================分隔符==================================

Python+LangChain 调用大模型全方案深度实战：原生调用、统一接口、流式输出、异步、自定义模型全解析在大语言模型（LLM）应用开发领域，LangChain 已成为 Python 生态中最主流的应用开发框架，其核心价值之一是屏蔽不同大模型的 API 差异，提供标准化的调用、编排、扩展能力。无论是 OpenAI、Anthropic、通义千问、文心一言、讯飞星火，还是本地部署的 Llama、ChatGLM，LangChain 都能通过统一的接口实现调用，大幅降低多模型适配、切换的开发成本。

RAG智慧问答项目核心技术：Python+LangChain+Milvus+BGE-M3+BGE-Reranker-Large+bert-base-chinese微调+Qwen2.5-14B (INT8)+光明AI大模型+PaddleOCR+MySQL+Redis+FastAPI+Docker+Vue3+Typescript

RAG 中的幻觉是什么？原因分析与防范措施在学习 RAG 的时候，经常会听到一个词：幻觉。简单说，幻觉就是：AI 一本正经地说错话。它可能回答得很流畅、很自信，甚至格式也很专业，但内容其实并不来自你的知识库，或者和真实资料不一致。