rag

孙启超6 小时前
前端·人工智能·llm·agent·react·rag·ai应用开发
【AI应用开发】ReAct 原理是什么？和普通直接提问 LLM 差别在哪？ReAct = Reasoning（推理）+ Acting（行动），是一种让 LLM 在解决问题时"边想边做"的范式。
孙启超7 小时前
java·人工智能·langchain·llm·rag·ai应用开发·agent loop
【AI应用开发】LangChain 中 Chain 和 Agent 核心区别？Chain 是"预定好的流水线"——每一步做什么已经定死了；Agent 是"自主决策者"——LLM 根据当前情况动态决定下一步做什么。Chain 是固定菜谱，Agent 是会自己翻冰箱做菜的厨师。
Mr. zhihao10 小时前
ai·rag
从零手搓 RAG：一个后端开发的实战学习笔记不依赖框架，从 numpy 手算余弦相似度开始，逐步引入向量数据库、混合检索、rerank， 全程在真实语料（爬取的阿里云百炼官方文档，5.2 万字）上做实验。 写作思路参考了经典的 “Naive RAG → Advanced RAG” 问题驱动式结构： 每一步都先暴露问题，再给解法，最后给出生产环境的成熟替代方案。
海的辽阔11 小时前
人工智能·rag
GraphRAG 与 LightRAG 全面解析：传统 RAG 为什么开始走向图检索？传统 RAG 依靠向量相似度从文档中寻找相关文本，解决了大模型无法访问企业私有知识的问题，但它对实体关系、跨文档关联和全局主题的理解仍然有限。GraphRAG 通过实体、关系、社区结构和社区报告，将文档集合组织成可推理的知识网络；LightRAG 则以更轻量的图索引和双层检索降低构建、查询与更新成本。本文从 RAG 的发展历程出发，分析两者的架构、实现流程、Token 消耗、查询延迟、增量更新、使用方式、企业选型和未来方向。
明明真系叻12 小时前
学习·rag
RAG学习（1）RAG即Retrieval（检索） Augment（增强） Generation（生成），就是如单词所示，分为三个步骤来进行。
llwszx1 天前
llm·向量检索·rag·ai智能体·大模型应用·agent开发·后端转ai
【Java/Go后端手撸原生Agent（第十一篇）：RAG检索——给Agent加上“查资料“能力】系列目录：[Phase 1-2 基础框架] → [Phase 3 状态机+文件读取] → [Phase 4-6 原生FC+Judge校验] → [Phase 5 多工具并行+BashTool] → [Phase 6 流式输出] → [Phase 7 Token预算与滑动窗口] → [Phase 8 摘要压缩] → [Phase 9 规划模式] → [Phase 10 Web UI] → Phase 11 RAG检索（本文） 上一篇链接：【Java/Go后端手撸原生Agent（第十篇）：HTTP+SSE+W
数据库小学妹1 天前
经验分享·数据库架构·向量数据库·rag·数据库选型·ai数据库
向量数据库选型：独立vs融合对比与场景推荐（附SQL实战）大家好，我是数据库小学妹 👋向量数据库选型，就是给你的AI应用找一个能高效存储和检索高维向量数据的系统。传统数据库查精确匹配（WHERE name = '张三'），向量数据库查语义相似——输入"怎么请假"，它找出意思最接近的文档片段。把文本、图片转成数字向量，计算向量间距离，距离越近语义越相似。
梦想三三1 天前
人工智能·python·langchain·大模型·rag
LangChain RAG PDF 智能问答实战：用 Streamlit 构建本地知识库（完整代码）在前面的学习中，我们已经掌握了 Prompt Template、Output Parser 和 Chain 的基本用法。但之前的案例都是基于模型自身知识进行问答，无法回答涉及私有文档的问题。如何让大模型根据我们自己上传的 PDF 文档回答问题？ 这正是 RAG（检索增强生成）要解决的核心问题。
叫我Paul就好2 天前
人工智能·软件工程·rag
RAG 入门到精通 - 生成的优化前面几篇文章我优化的方向一直是上下文的召回。毕竟召回的优化可能是面试中最常被提到的。但是，随着我不断地对召回的优化，现在召回的上下文基本都能包含我想要的内容。我发现，生成侧的问题其实也挺大。
llwszx2 天前
agent·ann·hnsw·向量检索·rag
从跳表到HNSW：深度拆解向量ANN检索的分层设计与近似本质在RAG系统的落地过程中，向量检索的性能永远是核心瓶颈之一。暴力检索的时间复杂度为 O(N×D)O(N \times D)O(N×D)，当向量规模突破10万条、维度达到1536维时，单次检索就要完成上亿次浮点运算，延迟直接上升到百毫秒级；百万级规模下更是会达到秒级，完全无法满足线上服务的吞吐要求。
周航宇JoeZhou5 天前
java·多智能体·rag·智能体·springai·mcp·skills
JP3-2-3-MyItem智能业务Java道经 - 项目 - MyItem - 智能业务心法：MyItem 智能业务均在 com.joezhou.agent 包下开发，物理隔离。
染指11104 天前
rag·llama_index·llamaindex
70.高级RAG-混合检索器（BM25和向量检索，RRF、归一化分数、DBSF公式详解，融合排序）内容参考于：图灵AI大模型全栈检索器是用来从知识库或向量数据库中查找相关文本的东西，然后再交给大语言模型生成答案
Devin~Y5 天前
java·spring boot·redis·elasticsearch·spring cloud·kafka·rag
从本地生活电商到 AI RAG：互联网大厂 Java 面试场景完整实战场景设定：某互联网大厂正在招聘 Java 后端开发，业务线是 本地生活服务 + 电商 + 智能客服（AIGC & RAG）。面试官老王是技术严谨的架构师，候选人小Y是号称“全栈+AI”的程序员，但其实有点水。
孙启超5 天前
人工智能·llm·embedding·rag·向量化·chunking·文档切分
【AI应用开发】 RAG篇（四）：Prompt 工程与进阶技术前几篇搞定了怎么存、怎么搜，本篇进入 RAG 的"最后一公里"——Prompt 工程和进阶优化技术。检索结果再好，Prompt 写得烂，答案是垃圾；检索质量卡在瓶颈，不上混合检索和查询优化，天花板就是 70 分。
粗体鱼5 天前
postgresql·milvus·es·rag·rff·mermory
RAG/Agent 记忆混合检索多路召回：RRF 算法与Chunk RRF、Document RRF如何决策TopK单个 Chunk 相关，不代表整篇文档可信；同一文档命中多个 Chunk，也不代表应该把它们全部交给 LLM。企业级 RAG 的答案通常不是 Chunk RRF 和 Document RRF 二选一，而是“Chunk 召回、Document 聚合、集合级重排”的分层排序。
叫我Paul就好5 天前
人工智能·rag
RAG 入门到精通 - Rerank & Hybrid Search在前两天的版本中，我一直在重复地进行评估 - 补数据 - 重建数据集。看上去像是在告诉大家只要数据整好了，RAG就可用了。但是，真实情况不是这样。
only-qi6 天前
人工智能·算法·面试·职场和发展·langchain·rag
大模型Agent面试攻略：落地工程痛点、评估体系与Agentic RAG核心精讲目录一、Agent落地核心：深度技术实现与状态管理1、如何解决多轮对话状态爆炸、上下文溢出？2、如何保证Agent工具调用的可靠性？
NPE~7 天前
python·ai·实战·rag·agent搭建
RAG 实战教程：从零构建企业智能问答 Agent完整代码地址：https://github.com/ziyifast/Demo/tree/main/1-AI/RAG-Knowledge-Base
sugar__salt7 天前
数据库·人工智能·embedding·milvus·rag·zilliz
向量数据库从零到实战：用 Milvus + Zilliz 构建 AI 日记语义检索系统本文带你从零理解向量数据库的核心概念，通过一个完整的 AI 日记本 项目，手把手学会用 Milvus 向量数据库和 Zilliz Cloud 云服务，实现语义搜索和 RAG（检索增强生成）。
孙启超9 天前
人工智能·llm·embedding·rag·向量化·chunking·文档切分
【AI应用开发】 RAG篇（三）：文档切分与多路检索前两篇我们讲清了 RAG 的整体架构和向量检索原理。但这远不足以让系统"好用"——一条最容易被忽视却最为致命的链路是：文档切不好，检索等于白做。