rag

星野云联AIoT技术洞察

Dify 适合什么 AI 应用项目：Workflow、RAG、Agent 与自研系统的边界如果项目的核心工作是把用户输入、知识检索、模型调用、条件分支、工具调用和结果输出串成一条可观察的 AI 流程，Dify 往往比从零开发更快。它把 Workflow、知识库、模型配置、插件和应用 API 放在同一工作台里，产品、业务和工程团队可以围绕同一条流程协作。

LlamaIndex 系列【3】上下文增强驱动的 LLM 应用开发框架智能体是由大模型驱动的知识助手，能够调用工具完成调研、数据提取等各类任务。智能体能力跨度很广：LlamaIndex 提供完整的智能体开发框架，支持将 RAG 流水线作为众多工具之一，辅助智能体完成任务。

二进制_博客

rag面试题之rag 系统如何解决 llm 的幻觉问题大模型幻觉主要两类：RAG 不是彻底消除幻觉，是最大程度抑制幻觉，把回答约束在检索回来的参考资料范围内，幻觉无法 100% 根除

LlamaIndex 系列【4】入门案例（阿里云百炼适配）本节介绍构建大模型应用过程中反复出现的核心抽象。LLM 是催生 LlamaIndex 的基础技术。它是一类人工智能系统，能够理解、生成、处理自然语言；既可以依托训练数据作答，也能够使用查询阶段传入的外部数据进行回答。

ZGI Workflow：让知识检索进入业务流程知识库回答准确，只解决了“找到什么资料”。当企业希望系统继续核对字段、判断条件、发起审批、写入数据或发送通知时，需要把检索结果接入 Workflow。知识提供任务依据，流程负责安排执行顺序、条件分支、人工节点和失败处理。

提示词工程大模型基础流程：用户输入 → 模型输出。想要理想结果，提问要详细、清晰、有逻辑、可提供参考材料。所有技巧的根基：清晰表达需求，如同人与人沟通，指令模糊，模型输出就会跑偏。

智能体记忆不是越多越好：ALTK-Evolve 八模型评测，记忆要按模型能力“配药“热点来源：Hugging Face Blog - 《智能体记忆并非越多越好：八款模型评测显示剂量需按能力校准》（https://huggingface.co/blog/ibm-research/altk-evolve-hmm）研究原文：IBM Research - ALTK-Evolve 技术报告（https://arxiv.org/abs/2603.10600）

TizzyGoodhealth

从零到一搭建Spring‑AI原生Tool‑Calling AI Agent｜架构对比+完整实战源码+踩坑实录摘要：本文详细对比了Java生态中手写JSON协议Agent与Spring‑AI原生Tool‑Calling Agent两种架构方案的优劣，并提供了从零到一搭建Spring‑AI原生Tool‑Calling AI Agent的完整实战指南。内容包括：需求拆解、整体架构数据流、核心模块源码设计（RAG配置、Query扩写、链路追踪、SSE推送、双入口Controller等）、生产环境踩坑清单（ThreadLocal跨线程失效、SSE数据包过大、RAG降级策略等）以及后续迭代方向。文章强调Spring‑AI原

大模型丫丫

RAGFlow：开源、可深度定制的企业级 RAG 应用开发引擎随着大语言模型（LLM）的普及，检索增强生成（RAG）技术已成为连接私有知识库与通用模型能力的关键桥梁。然而，构建一个高效、可靠且易于维护的企业级 RAG 应用并非易事，开发者常常面临以下挑战：

HITL 源码：8 种人机协同模式的设计（第85篇-E71）“人机协同”（HITL，Human-In-The-Loop）这个词，很多人理解为"弹个审批框"。第 84 篇讲工具安全时，HITL 是 L2 那道"看得见但调不动"的审批闸；第 4 篇讲过 DeepFlux 的中断恢复链路。但 HITL 远不止审批——人在循环里的位置不同，协作的形态就完全不同。

企业知识库的第三条路：PG16做事实源，Neo4j做图投影【关键词】 PostgreSQL 16、RAG、知识图谱、Neo4j、混合检索、企业知识库、证据链【摘要】企业在建设智能知识库时，往往同时面临RAG检索与知识图谱两个需求。现有主数据库是PostgreSQL 16，是否必须升级PG19甚至重建数据底座？本文给出了一套兼顾一致性、检索质量与可演进性的架构方案：以PG16为唯一事实源，pgvector+全文检索完成混合RAG，Neo4j作为可重建的图投影，Graph作为RAG的第三路召回。这套方案已在制造型企业的工艺文档、设备维修知识库等场景中验证可行。

RAG 完整流程拆解：从文档到智能回答的每一步RAG（Retrieval-Augmented Generation，检索增强生成）是当前大语言模型（LLM）应用落地的核心技术之一。它的本质很简单：给大模型装上一个"外脑"。

【agent篇】RAG 知识库构建避坑指南相对路径 Document_loaders/sample.txt 解析的起点是当前工作目录（cwd），不是脚本所在目录。实际解析：D:\python\project\Rag\Document_loaders\sample.txt ← 这个目录不存在

【0-1的agent进阶篇】RAG：从Embedding到检索增强生成的底层逻辑🔥个人主页：代码不加冰（欢迎来访） 🎬作者简介：java后端学习者 ❄️个人专栏：LeetCode刷题日记，苍穹外卖日记，SSM框架深入，JavaWeb， ✨命运的结局尽可永在，不屈的挑战却不可须臾或缺！

Agent 安全实战：提示词注入、权限边界、数据泄露与成本控制Agent 和普通聊天机器人最大的区别在于：它不仅会回答问题，还可能访问知识库、调用接口、查询业务数据，甚至触发真实操作。

我爱吃土豆1

从 N-gram 到 BM25：一次知识库关键词检索架构的演进与优化在 RAG（Retrieval-Augmented Generation）知识库系统中，很多人首先关注的是 Embedding、向量数据库和大模型，却容易忽略一个非常重要的模块：

IPHWT 零软网络

技术方案分享｜AI Agent 赋能 IVR 导航，解决传统语音呼叫系统交互瓶颈在呼叫中心、政务热线、应急调度通信架构中，IVR 语音导航是核心基础组件。传统 IVR 基于静态分支流程设计，依靠按键交互实现来电路由，在长期落地过程中暴露出交互僵化、扩展能力弱、运维成本高等一系列问题。随着大模型与 AI Agent 技术普及，融合自然语言交互的新一代智能 IVR 方案，成为政企通信系统迭代的重要方向。本文结合落地实践，解析 AI IVR 导航的技术优势与行业应用价值。

番茄炒鸡蛋加糖

主流 AI 框架 + RAG 落地实战SpringAI 是 Spring 官方推出的 AI 开发框架，专门简化 Java 对接各大公有大模型的开发流程，底层自动封装 HTTP 网络请求、请求报文组装、流式数据解析、异常处理，不用手写 OpenFeign、WebClient 那一套重复代码。