rag

BM25 详解BM25 是一种用来计算"查询语句和文档之间相关性"的排序算法。你在搜索引擎里搜一个关键词，它要从几百万篇文章里找出最相关的排在前面，背后最经典的算法就是 BM25。

神也畏惧菠萝

Coze 工作流实战 Day05：RAG 检索机制、多模态 AIGC 与智能体编排在上一篇文章中，我们拆解了 Coze 工作流的底层架构、数据流转与确定性控制逻辑。而在真实的企业级 AI 应用中，除了处理文本和执行逻辑分支，系统往往还需要接入私有数据（解决大模型幻觉），并具备生成图片、音频、视频等非结构化数据的能力。本文将继续深入 Coze 工作流引擎的进阶特性：重点剖析知识库节点背后的 RAG（检索增强生成）底层检索策略与参数调优，拆解多模态节点（文生图、ASR、TTS、视频生成）的工程化实践与算力成本，并最终探讨如何将这些原子能力编排为完整的智能体（Agent），实现从“开发态”到

星野云联AIoT技术洞察

设备手册离线 RAG：先管住版本、权限和引文，再谈本地大模型现场技师问“这台设备的 E42 报警怎样复位”，系统如果只给出一段流畅的操作说明，却说不清适用型号、手册版本和原文页码，这个答案就不能拿去指导维修。断网时更如此：没有在线文档可回查，错误答案可能被当成现场唯一依据。

后端第十二课：Agent 开发（让大模型从“会答“升级到“会做“）👋 我是 Yulia，一线 AI 应用开发工程师：4 年工程经验，在职做大模型应用落地。只写一件事——把最新 AI 技术讲成人话 + 给你能直接上手用的代码（真实可验证，不搬运不注水）。有用就点个关注，持续更新大模型应用的前沿实战。

【agent篇】RAG Agent避坑指南(附高级RAG Agent汇总)request.state["messages"] 是完整对话历史（LangGraph state 的 messages 列表会累积）。你现在的测试是单轮，列表里只有 1 条 user 消息，所以 [-1] 碰巧取对。一旦多轮对话，列表变成：

后端第十一课：RAG 落地实战（从 0 到 1 接上私有知识库，并设计一个好用的 RAG）👋 我是 Yulia，一线 AI 应用开发工程师：4 年工程经验，在职做大模型应用落地。只写一件事——把最新 AI 技术讲成人话 + 给你能直接上手用的代码（真实可验证，不搬运不注水）。有用就点个关注，持续更新大模型应用的前沿实战。

今年下半年

AI智能体项目实战记录（06）：RAG项目实战之文件上传及文档读取解析在之前的几篇文章中，我们已经完成了项目创建、向量库模型下载以及向量库部署等准备工作。从本篇开始，我们将正式进入 RAG（检索增强生成）项目的核心业务开发。

for_ever_love__

知识图谱构建流水线实战：实体关系抽取的提示词、质量抽检与增量维护GraphRAG 也好、LightRAG 也好，效果的上限在建图质量——实体抽漏了、关系抽错了、同义实体没合并，图上全是毛边，查询时一步错步步错。这篇文章不讲框架怎么调用（前两篇讲过），讲构建流水的工程细节：抽取提示词怎么设计、批处理怎么做、质量怎么抽检、增量图谱怎么维护。这些才是自己搭图谱时真正花时间的地方。

for_ever_love__

Map-Reduce 式全文问答：当文档超出上下文时的分而治之有些问题向量检索根本帮不上忙：“这本 300 页的白皮书里，作者一共提出了几条反对意见？”——答案散落在全文各处，任何 Top-K 检索都捞不全。对这类"全文级"问题，LangChain 的 map_reduce / refine 链路给出了最直接的答案：把文档切成块，逐块处理（Map），再把中间结果汇总（Reduce）。这篇文章讲透四种链式策略的行为差异、各自的成本与坑，以及怎么为问题类型选对链路。

【随笔】RAG重排怎样挑证据：先扩大候选，再把相关片段排到前面上一文把RAG的问题拆成了检索证据和回答忠实性。接下来处理一个常见失败：正确文档已经被检索出来，却排在后面，最终拼给模型的前几段没有包含它。

编程火箭车

MySQL 拥抱 AI：向量、RAG、AutoML 全进了数据库这篇文章写给想给工具或产品加「AI 问答」能力、又不想单独搭一套向量数据库 + 嵌入服务的开发者——尤其是独立开发者和中小团队。读完你会得到三件事：MySQL 把「存、找、答、预测」做进了数据库的哪一步、怎么用一条 SQL 给工具做问答、以及什么情况下才值得上。

for_ever_love__

增量索引实战：新文档怎么做到分钟级可检索“合同昨天就存进系统了，为什么今天问它还说不知道？”——RAG 系统上线后最高频的用户抱怨。全量重建索引（几十万文档重新 embedding）一次几小时，不可能每天做；不管它，知识库就永远是几天前的快照。增量索引要解决的就是这个矛盾：新文档/变更文档快速进索引，旧索引不受扰动，删除要同步生效。这篇文章讲增量索引的完整机制：变更侦测、局部更新、删除同步、一致性保证，以及一套可落地的流水线。

造一个“读过《天龙八部》“的 AI 助手 —— advance-rag大模型没读过你的书？没关系——我们把整本《天龙八部》拆成碎片、变成向量存进 Milvus，再用 LangGraph 编排一条"先检索、后生成"的智能流水线。本文带你逐行拆解这个进阶 RAG 项目的三个核心脚本。

玩转 Spring AI 第二篇：RAG 落地——Redis 向量库、按空行切分的自定义 Splitter，和 pom 里两个“引而未用“的依赖💡 系列第一篇把这套 Spring AI 工程的骨架和第一次对话跑通了，这一篇进入最容易"被跑通骗过去"的一章：RAG。前端拖一个 txt 进去，问一句文档里的事，模型真就答出来了——看起来无非是"往向量库里塞了点东西，再取出来拼进提示词"。

今年下半年

AI智能体项目实战记录（05）：RAG项目实战之向量知识库milvus部署在 RAG（检索增强生成）项目中，向量知识库是核心基础设施之一。它负责将文档切分后的文本块转换为向量并存储，供后续检索使用。本篇文章将记录 Milvus 向量数据库的部署过程，包括 Docker Compose 编排、服务启动以及通过 Attu 可视化工具验证连接。

for_ever_love__

检索工具化封装：把 Elasticsearch、SQL、Confluence 包装成 Agent 的统一工具Agentic RAG 的地基是"检索即工具"——Agent 不需要知道数据存在哪、怎么查，它只调工具、拿结果。但企业内部的数据源五花八门：向量库、Elasticsearch、MySQL、Confluence、公司自建 API……每个的查询方式、返回格式、权限模型都不一样。这篇文章讲怎么把这些差异封装掉，给 Agent 一套统一的检索工具接口：适配器模式怎么设计、返回格式怎么定、权限在哪一层注入、以及工具注册和发现机制。

for_ever_love__

Agentic RAG 实战：让 Agent 自己决定怎么检索、检索几次传统 RAG 是一条流水线：查询 → 检索 → 拼 prompt → 生成，一步都不能少、一步都不会多。现实里的问题可没这么规矩：“对比 A 和 B 的优缺点，再结合去年财报下结论”——这种查询需要先查 A、再查 B、发现财报数字不够再补一轮、最后综合。流水线结构答不了它，Agentic RAG 可以：把检索从固定步骤变成 Agent 的可选动作，由模型自己决定检索什么、检索几次、什么时候收手。这篇文章讲透它和传统 RAG 的边界、怎么搭、以及最容易翻车的三个地方。

救救孩子把

AI面试八股文-12_11-多模态大模型面试题pdf版下载链：https://pan.quark.cn/s/9cc742e9c2a8更新： 2026-10-12

企业自建 AI 智能体，成本差 8 倍还是 46 倍？10 月 14 日，一家以色列公司 Uvi 宣布完成 750 万美元种子轮。CT Innovations 领投，Cardumen、Mana VC、91 Ventures 参投。

windows10+RAGFlow(docker)+Ollama(qwen3:8b, bge-m3)1、安装NVIDIA驱动和CUDA；2、下载并安装Ollama，使用命令行安装指定安装路径和模型路径：OllamaSetup.exe /DIR="D:\Ollama"，安装完成后在ollama设置中修改model路径；