rag

天堂沙县小吃

RAG 进入 2.0 时代：从传统 RAG 到 Agentic RAG——检索增强生成的新范式大语言模型擅长组织语言，却无法天然掌握企业私有数据，也无法保证参数中的知识始终准确、及时。RAG（Retrieval-Augmented Generation，检索增强生成）的核心价值，就是在生成答案之前引入外部知识，让模型尽可能“有据可依”。

互联网叫兽

RAG 知识库-基于元数据的细粒度权限控制在企业级 RAG（检索增强生成）应用中，知识库权限控制是一个绕不开的话题。传统的权限模型通常停留在知识库级别——一个用户要么能访问整个知识库，要么完全不能访问。

PDF 论文处理器 — 改进方向与建议文档文档性质：局限性诊断 + 可落地优化方案 + 重构路线图requirements.txt 声明 pandas==2.2.0，但全项目无任何 import pandas（pdf_extractor.py 用 fitz、output_manager.py 用标准库 csv/json）。

大模型工程化实战（十六）：政企国产化避坑——合规/信创名录/私有化运维/国产硬件适配/原厂支持这五道关怎么过上一篇《开源工具箱 30+ 选型地图》结尾我留了一句话：“这张地图上，‘国产化 / 私有化’是一整根约束轴……下一篇《政企国产化避坑》：地图上标了国产化的那些格，背后的坑单独一篇来讲。”今天来还这笔账。

玩转大模型（一）：参数、token、FLOPs 怎么算，提示词/RAG/微调/续训/Agent 怎么选💡刚入门时最容易犯的毛病，是把大模型当成一个"更聪明的搜索引擎"。问一句答一句，答得不好就换个问法继续问，问到最后开始怀疑模型智商。

PDF 论文处理器 — 优势与功能文档文档性质：核心功能总结、设计亮点提炼、相对通用方案的差异化优势本工具围绕"把网安科研 PDF 变成 Dify 可用的高质量知识块"这一目标，提供以下端到端能力：

【Luck‑Report】 AI 智能报表助手 + RAG 知识库 + 报表引擎 V2.0.7 更新=Luck-Report 从 2.0.6 升到 2.0.7，这次更新主要是对内部接口和字段做了统一的修正

PDF 论文处理器 — 技术报告文档适用项目：数据处理脚本 / Dify 知识库数据生成工具文档性质：技术剖析与归档本文档覆盖以下内容：本工具是一个面向网络安全（网安）科研论文的领域专用 PDF 文本预处理流水线。其目标是将分散存储的英文论文 PDF，转化为 Dify 知识库可直接导入的高质量"数据块（chunk）"，服务于 RAG（检索增强生成）场景下的论文检索、研究现状总结与创新点挖掘。

LangChain4j用AiServices拼Tool写 LLM 应用时，最容易膨胀的是「手写消息列表 + 自己拼 tool call + 自己管会话」。LangChain4j 的 AiServices 换了个思路：先声明一个 Java 接口，再用 builder 把 ChatModel、记忆、工具、检索插进去，调用侧只剩一次方法调用。下面按官方 AiServices 教程与入门页落地四件事：接口与 builder、多用户 Memory、@Tool、以及把 RAG 做成按需 Tool。版本以文档示例的 langchain4j / langchain4j-op

【FDE系列】阶段3：Day 73：RAGAS 评测 — 用数据证明改动有效【大纲】FDE 前沿部署工程师学习系列教程-CSDN博客见文档结尾附录。FDE 学习系列教程 · 第三阶段 · 第 11 周 · Day 3 预计时长：3 小时 | 难度：★★★★☆ | 前置知识：Day 61-72（RAG 全链路、Qdrant 混合检索、Reranker、引用溯源、权限过滤、查询改写）对标大纲课时：3.2.10 RAG 评测 —— 召回率、准确率、幻觉率、上下文相关性、答案相关性；工具 RAGAS / Phoenix；实践项"用 RAGAS 评估 RAG Pipeline 质量"

Dify 本地部署、Ollama 与 Xinference 集成：踩坑与最佳实践指南目标：在本地（以 Windows 为主）搭建一套完全本地化、可离线运行的 AI 应用平台，包含：典型调用链：

小范的技术工坊

RAG切片策略假如你正在准备一场考试，有一本500页的教材。你的复习策略是：把书撕成很多小卡片，每张小卡片写一个知识点，考试前根据题目去抽卡片

【FDE系列】阶段3：Day 72：RAGFlow 平台 — 端到端知识库【大纲】FDE 前沿部署工程师学习系列教程-CSDN博客见文档结尾附录。FDE 学习系列教程 · 第三阶段 · 第 11 周 · Day 2 预计时长：3 小时 | 难度：★★★☆☆ | 前置知识：Day 61-71（RAG 链路、Qdrant 混合检索、解析与分块、权限过滤、查询改写）对标大纲课时：3.2.9 高级 RAG —— 工具条 RAGFlow / LlamaIndex，实践项"用 RAGFlow 搭建端到端知识库"

小范的技术工坊

RAG系统答不准的常见问题事实上，RAG就两段关键链路：离线构建索引、在线检索生成。答案不好，要么是检索崩了，要么是生成崩了检索侧问题：

【FDE系列】阶段3：Day 71：高级检索 — 查询改写与 HyDE【大纲】FDE 前沿部署工程师学习系列教程-CSDN博客见文档结尾附录。FDE 学习系列教程 · 第三阶段 · 第 11 周 · Day 1 预计时长：3 小时 | 难度：★★★★☆ | 前置知识：Day 61-70（RAG 链路、Qdrant 混合检索、RRF、Reranker、引用溯源、权限过滤）对标大纲课时：3.2.9 高级 RAG —— Agentic RAG（自主检索策略）、Self-RAG、CRAG 这一支；本篇把"自主检索策略"落成可运行代码

PageIndex没翻车，翻车的是我的解析器测试日期：2026-10-02 测试环境：Docker+PageIndex Cloud SDK+FAISS+PyMuPDF+硅基流动API 测试文档：腾讯控股2024年度年报（274页，繁体PDF）

Web3&Basketball

LlamaIndex+BGE 重排：RAG 从噪声到可信关键词：RAG、向量召回、Cross-Encoder 重排、BGE-reranker、LlamaIndex、生产级检索

【RAG面试系列】工程落地前面我们已经讲解了【RAG面试系列】基础概念、【RAG面试系列】检索优化、【RAG面试系列】生成和融合，接下来我们来聊聊 RAG工程落地。

向量索引也要治理：RAG 系统里“原始数据已作废、向量仍可检索”怎么解RAG 上线后最典型的失效不是模型答错，而是检索层悄悄失效：原文改了向量没改，原文删了向量还在，索引漂移无人发现。本文把向量索引当作一类受管数据资产，拆出索引生命周期、向量权限合规、检索质量闭环三大工作项，给出六张可直接套用的清单与巡检表。

【FDE系列】阶段3：Day 65：向量数据库入门 — Chroma 与本周收官【大纲】FDE 前沿部署工程师学习系列教程-CSDN博客见文档结尾附录。FDE 学习系列教程 · 第三阶段 · 第 9 周 · Day 5（收官）预计时长：3.5 小时 | 难度：★★★★☆ | 前置知识：Day 61-64（RAG 链路、BGE-M3、文档解析、文本分块）对标大纲课时：3.2.5 向量数据库 —— 选型对比：大规模用 Milvus，已有 PG 用 PGVector，快速原型用 Chroma，高性能用 Qdrant（本周收官）