rag

RAG 从提问到回答：查询改写、多路召回、精排与上下文生成文档已经切好、向量已经入库，为什么用户提问后，系统仍可能找错资料，或者拿着相关资料答非所问？问题出在检索和生成之间还有几次判断：用户的问题是否表达完整，不同检索方法找到的结果如何合并，看起来相似的片段是否真的回答了问题，以及最终留下的证据怎样放进模型上下文；这些环节连接起来，才是从 "能搜索" 到 "能回答" 的完整过程

智码看视界

Day72-文档预处理实战：PDF解析 + 文本切块的正确姿势RAG 的回答质量，80% 不取决于模型，而取决于喂给模型的上下文干不干净。检索阶段确实能命中相关文档，但如果进 LLM 的 Chunk 是"目录 + 正文 + 页眉页脚 + 水印"的混合体，模型再强也会答非所问。

SpringAI+RAG-检索文档变知识：从上传到精准检索的完整链路记录人：老码场景你肯定见过：用户上传一份公司文档，转头问「年假怎么算」。模型答得头头是道，数字编得比真的还像。

宁渡AI大模型

河南宁渡科技有限公司｜宁渡课堂 AI 全栈面试分享，RAG 项目面试深挖问题解析摘要：AI 全栈面试中，RAG 检索增强生成项目几乎是必问项目。河南宁渡科技有限公司宁渡课堂，结合学员面试经历，拆解面试官深挖 RAG 项目的各类问题，包含项目难点、优化方案、踩坑总结。

DeepMMSearch-R1: Empowering Multimodal LLMs in Multimodal Web Search论文分享今天分享的论文是《DeepMMSearch-R1: Empowering Multimodal LLMs in Multimodal Web Search》

Docker 部署 Milvus：轻松搭建高性能向量数据库平台本文基于 openeuler/milvus:2.6.0-oe2403sp2，跟做标签 2.6.0-oe2403sp2（Milvus 2.6.0 / openEuler 24.03-LTS-SP2），客户端实测 pymilvus 3.0.1，测试平台 Ubuntu 24.04 Linux。

宁渡AI大模型

河南宁渡科技有限公司｜宁渡课堂 AI 全栈面试分享，AI 应用开发高频考点汇总摘要：本文由宁渡课堂整理 AI 全栈开发岗位面试高频知识点，覆盖大模型基础、提示词工程、向量数据库、AI 前后端集成等核心内容，帮助求职 AI 全栈方向的开发者梳理面试重点，做好面试准备。

企业级RAG系统架构详解企业级 RAG 系统架构总览（公众号【码农飞哥】原创）很多 Java 同胞学 RAG 的方式是：先看一周名词解释——chunk、embedding、rerank、RRF、向量数据库——每个词都认识了，连起来还是不知道一个能上生产的 RAG 系统长什么样。

JAVA 高级进阶18篇《生产级RAG：切分、检索、评估与Graph RAG全链路实战》「Java高级技能提升系列」第18篇（全20篇）· 面向2026年中高级Java岗面试 · 专栏持续更新，欢迎关注

RAG 检索基础：多路表示、向量数据库与索引文本经过清洗、分片和向量化之后，还需要解决两个问题：用什么表示判断内容相关，以及怎样在大量资料中快速找到这些内容；整段语义、精确词项和 token 之间的细粒度关系，是不同的匹配信号；向量数据库与索引则决定这些信号如何被保存和检索

Spring AI 2.0 进阶入门：RAG、Structured Output 与 Agent 信息闭环前篇Spring AI 2.0 Agent 入门与最小实践-CSDN博客的最小 Agent 已经能够记住对话，并通过 Tool 查询数据库或调用 Java 方法。此时还存在两个很现实的问题。

智能体化检索增强生成：关于智能体化 RAG 的综述原文: https://mp.weixin.qq.com/s/0iZbROEfeHA470l4zM1mAg

四点半-企业AI获客

AI搜索引用机制拆解：从抓取、解析到引用打分的完整链路做 GEO 之前，先得理解 AI 搜索「凭什么引用一段内容」。本文从工程视角拆解 AI 问答（RAG 式）从问题到引用的完整链路，并梳理影响引用选择的因素。理解这套机制，内容优化才能从「凭感觉」变成「有依据」。

重建 AI 认知第 6 篇：RAG——答案不在"检索 + 生成"这四个字里RAG 不是一个新技术。它的核心那块——把文字变成坐标，然后找坐标最近的邻居——1970 年代的搜索引擎就在用了。2013 年 Word2Vec 让"词变向量"成为主流，2019 年前后 Milvus、Pinecone 这类专业向量数据库陆续出现，2020 年 RAG 的论文发表，比 ChatGPT 还早两年多。今天说的 RAG，本质是把这套几十年的老检索技术，拼在了一个新的生成模型前面。

让裁判替你看答卷：RAGAS 实操因果链本文是《让大模型"开卷考试"：RAG 全链路因果链》的姊妹篇。上一篇第十二层说"评估是整条链的导航系统"，留下一个问题：导航系统本身怎么搭——数据集从哪来、四个指标各自怎么算分、分数低了怎么归因、怎么接进 CI 防回退。本文把这条路从"跑通"讲到"上线"。

RAG for Agent：Agent 什么时候需要查知识库？员工问：“上海员工今年没休完的年假能转到明年吗？”模型很快给出答案，却引用了三年前的旧政策。问题不在措辞，而在于它没有取得当前组织、地区和年份对应的有效证据。

LlamaIndex框架：简单RAG框架的全过程实现手册PyCharm 中进入设置 → Python → 解释器 → 添加解释器 → 添加本地解释器 → Conda 环境 → 新建环境 → 选择 Python 版本 → 确定。

LlamaIndex 系列【24】检索增强策略：交叉编码器（Cross‑Encoder）双编码器（Bi‑Encoder）就是有两个独立的编码器，分别把Query（查询）和 Document Chunk（文档片段）各自独立编码成稠密向量（Embedding），再用余弦相似度计算两者匹配分数。

用 Trait 给系统留出后路：RAG 存储层如何做到 5 种后端可插拔快速阅读（30 秒速览）前情提要：上一篇用评测闭环结束了核心原理篇。工程实战篇第一站，聊支撑这一切的骨架——可插拔存储。

Spring AI企业级RAG落地实战：从基础架构到生产级高可用方案在大模型所处的时代当中, RAG也就是检索增强生成, 已然变成了企业去落地私有知识库的核心方案, 同时也是智能问答的核心方案, 还是业务AI助手的核心方案。相比较于对大模型进行微调而言, RAG的成本是更低的, 其数据实时性是更强的, 并且可落地性是更高的, 它能够极其完美地解决大模型存在的知识滞后这一核心痛点, 也能够解决大模型幻觉严重这一核心痛点, 还能够解决大模型无法适配企业私有数据这一核心痛点。