rag

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

要开心吖ZSH

AI医疗分诊与健康咨询助手agent开发——（0）项目背景与概要说起来这个想法不是突然冒出来的，是几条线慢慢汇到一起的。我目前在做互联网医院的项目，上线之后发现一个很明显的问题——我们的挂号流程是"直筒式"的：选医院，然后医院各科室列表摆在这儿，你自己选，自己挂。系统不会问你哪里不舒服，也不会帮你判断该挂哪个科。结果就是，患者挂错科的情况时有发生。每次看到客服反馈过来的这类工单，我心里就想：这个环节，明显是能用技术优化的。

提示词工程与实践合集大型语言模型本质上是一个黑箱，而提示就是我们与它沟通的唯一接口。就像我们使用自然语言与人交流一样，提示也是我们向LLM下达指令、描述任务、提供上下文的主要方式。

揭秘RAG：检索增强生成技术解析什么是 RAG？RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合了信息检索与大语言模型的技术框架。它旨在通过引入外部知识源，弥补大模型在事实性、时效性及私有化知识方面的短板。

菜到离谱但坚持

【小白零基础】RAG+LangChain 搭建私有知识库问答系统（完整可运行代码+超详细教程+避坑指南）收藏⭐ + 点赞👍 + 关注✅ 零基础入门大模型RAG应用，保姆级教程，新手零翻车！哈喽大家好！很多刚入门大模型的小伙伴都有一个疑问：如何让AI学习自己的私有资料？