rag

spring boot + langchain4j +milvus实现向量存储我在gitee上有整体的项目示例，有兴趣的可以拉下来看看：https://gitee.com/JR542784/langchain4j-test，如果不知道怎么部署milvus可以从我的主页走索milvus有相关的说明

Flash-KMeans：快速且内存高效的精确 K-Means，可在单张 GPU 进行亿级数据的聚类在当前的人工智能领域LLM 及其生成能力几乎独占了所有焦点。但再精密的 RAG Pipeline，能力上限也取决于那个沉默的引擎：搜索与聚类层。聚类不只是一项经典的数据科学任务，它是组织高维向量空间的核心机制——让 LLM 能在数十亿条文档和参数的海洋中定位正确的记忆。随着数据集规模持续扩大，沿用数十年的标准算法已经撞上了墙。

WebView里跑RAG——浏览器内知识检索增强实战说真的，一开始想到要在 WebView 里跑 RAG，我自己都觉得这想法有点疯。不是那种常规的“客户端请求后端 API，后端做向量检索和大模型调用”的套路，而是把整套检索增强生成都塞进一个 WebView 里面。没错，包括 embedding 模型、向量库、甚至一个小到能跑在浏览器里的生成模型，全都丢进去，在用户手机上离线跑。听起来像自虐，但需求就那么奇葩：一个嵌入到 App 里的知识库问答模块，要求数据不出客户端，断网也能用，响应还要快。

Attachment George

山东大学软件学院-项目实训-个人开发日志（十）：材料问答链路开发——文档解析、OCR兜底与持续追问完善前几周我已经把BabyMind的统一问答入口、RAG知识库、多Agent流式问答、语音输入输出等核心链路逐步打通。本周我的工作重点是把上传材料后直接提问等相关功能实现完整。

AI Agent 是什么？LLM，全称 Large Language Model，翻译过来就是大语言模型。你可以把它想象成一个读了互联网上几乎所有文字的超级学霸。它通过学习海量的文本数据，掌握了人类语言的各种规律和知识。我们平时用的 ChatGPT、Claude、DeepSeek、文心一言，底层都是大语言模型。

程序员三明治

【AI】从文本到向量：理解Embedding的作用到这一步，知识库里的每个 chunk 已经有了清晰的上下文信息。但还有一个核心问题没有解决：这些内容仍然是自然语言，计算机并不能真正理解它们的含义。

不爱洗脚的小滕

【Agent】如何为 AI Agent 设计高可用的 Tools在构建基于大语言模型（LLM）的智能体（Agent）系统时，开发者往往最关注模型的推理与决策能力。然而，大模型本身是一个“纯文本世界”的产物，它无法直接与外部数据库、操作系统、企业私有 API 或第三方服务进行交互。

AI大模型学习第十三天：让AI学会查资料、记数据、看图和听声如果你已经读完了上篇博客，你应该已经知道：智能体 = 大模型的大脑 + 工具的手脚，你也学会了用工作流和插件让AI能联网搜索、读取文档。

老陈聊架构

『AI大模型』OpenDataLoader PDF 实战：RAG 知识库 PDF 解析与LangChain 接入📣读完这篇文章里你能收获到做 RAG 知识库的时候，很多人第一反应是：模型换强一点、向量库换高级一点、Embedding 再调一调。

不爱洗脚的小滕

【Agent】ReAct 核心架构与设计哲学在构建大语言模型（LLM）应用的实际业务场景中，开发者往往会面临两个致命的痛点：如何让大模型既具备“聪明的头脑”去思考，又拥有“强壮的四肢”去感知和改变外部世界？

【LLM应用可靠性】2-RAG 生产失败模式：如何避免检索生成系统的性能退化许多 RAG（检索增强生成）系统在上线初期检索准确且响应迅速，但在运行一段时间后，可能会面临检索偏离、引用失效以及运行成本增加等问题。本文将系统梳理 RAG 在生产环境中的 12 大痛点与 9 种典型失败模式，并提供对应的工程治理方案。

是上好佳佳佳呀

【LangChain|Day04】RAG 全流程基础笔记：Document 、 Loader 和 Splitter大家好，我是上好佳佳佳呀。今天我们开始拆解 LangChain 里那条最经典的 RAG 流程。今天的学习内容从Document 对象开始，到上游流程的 Loader 和 Splitter 是怎么一步一步把原始文档变成可检索的小块。我们把这些环节理顺，后面再去学习和串联 Embedding、VectorStore 和 Retriever 就会从容许多啦，那我们开始吧~

Embeddings 到底是什么在普通程序里，文字首先只是字符串。字符串可以做精确匹配，却很难直接回答“这两句话是不是在说同一件事”。例如，“怎样重置登录密码”和“我忘记密码了”几乎没有相同词汇，但人一眼就能看出它们高度相关。

LLM-RAG(大厂面试常问问题)RAG 是什么？为什么需要 RAG？ RAG 的完整链路是怎样的？向量检索的原理是什么？向量数据库怎么选？Milvus、FAISS、Qdrant 各自适合什么场景？纯向量检索有什么问题？为什么需要混合检索？ Rerank 是什么？为什么检索之后还要重排序？ Chunk 怎么切？切大了切小了各有什么问题？ Embedding 模型怎么选？中文场景选什么？ RAG 的幻觉怎么处理？ RAG 检索效果不好怎么优化？ Agentic RAG 是什么？和普通 RAG 有什么区别？

Hermes Agent深度探索：一个会自我沉淀经验的终端智能体第一次打开 Hermes Agent，很多人会把它归类成“带工具调用的命令行 AI 助手”。这个判断并不算错，但它只描述了最外层的使用体验。真正深入源码之后，你会发现它更像一个面向长期运行的 Agent 运行时——模型只是其中一个组件，工具、会话、记忆、技能、插件、安全策略、多平台入口和状态恢复共同构成了完整系统。

24.RAG进阶(Advanced RAG)-摘要索引内容参考于：图灵AI大模型全栈摘要索引原理是先把文档进行分片，然后把分片的内容使用大模型进行生成摘要，然后放到向量数据库中，然后比如分片之后有100个，就创建100个唯一的id（跟身份证一样，由数字、字母组成），然后分别对100个摘要数据和100个分片之后的原文数据进行绑定，也就是说一个id绑定一个摘要一个原文，摘要放到向量数据库中用来做问题的搜索，就是说输入问题后先通过向量搜索摘要，找到摘要后，通过id去获取对于的原文，然后把原文带着问题去问大模型获取答案

没有腰的嘟嘟嘟

Easy-agent介绍目前，我的工作主要聚焦于 Agent 和 SKILL 相关领域。随着公司多个项目完成 Agent 化升级，我将项目集成 Agent 架构的经验进行总结和封装，最终开发出一个可复用组件——Easy-agent。

2026年AI安全与治理：从幻觉到系统性欺骗的攻防之战2026年，AI安全已从技术问题上升为全球性治理议题。随着大模型能力的不断提升，安全风险也从简单的"幻觉"问题演变为更隐蔽的"系统性欺骗"。本文深入剖析AI安全的新挑战、攻防技术以及全球治理框架。

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。