rag

东莞市云毅网络有限公司

监测问句清单去重：停用词表、数字归一与贪心聚类的参数取法做生成式检索监测的企业，手里攒得较快的一类数据是问句清单：客户在问答入口里实际怎么问、自己准备去答哪些问题、同行被问到的又是什么。跑上两三个月，几千条很常见，其中大量条目只是换了个说法问同一件事。逐条人工归并做不到，直接丢进向量模型聚类，成本压不住，结果也解释不清——为什么这两条算一类，答不上来。

for_ever_love__

忠实度（Faithfulness）：怎么判断 RAG 的答案有没有瞎编RAG 系统的答案看起来很流畅、引用了材料、语气自信——但它是真的来自你的知识库，还是模型自己编的？这个问题靠人眼看很难判断，因为编造的部分往往写得很像回事。忠实度（Faithfulness，也叫 Groundedness / groundedness）就是专门衡量这点的指标：答案中的每一个事实性陈述，能否在给定的上下文中找到依据。

救救孩子把

AI面试八股文-03_3-RAG 系统面试题pdf版下载链：https://pan.quark.cn/s/9cc742e9c2a8更新： 2026-10-12 难度： ⭐⭐⭐⭐ 考点：检索增强生成、向量数据库、Embedding、检索优化

for_ever_love__

RAGAS 实战：一套能跑起来的 RAG 自动评测框架RAG 做出来之后，最现实的问题是：怎么知道它好不好？靠人工看几条答案，很容易被"看起来挺流畅"骗过去。

for_ever_love__

上下文精确率与召回率：别只盯着答案，先看看检索喂了什么很多人评估 RAG 只看最终答案对不对。答案错了就调 prompt、换模型，折腾半天没效果——其实问题出在检索环节：真正相关的文档根本没被召回来，或者召回来一堆垃圾。

for_ever_love__

RAG 里的拒答：什么时候应该说‘我不知道一个 RAG 系统上线后，最容易被用户投诉的不是答错，而是把没有的东西说得像真的一样。用户问了个知识库里没有的问题，系统洋洋洒洒给了一段看上去很专业但完全是编造的答案——这种"自信的幻觉"比直接说不知道危害大得多。

Spring AI+Vue3 企业知识库设计：让每个答案有依据，让每份资料守住权限🌐 文档地址：https://ruoyioffice.com 👇 文章底部获取源码和演示地址 👇 💬 ：17156169080（获取产品咨询）

Ollama 长文档问答后半段全空：context 默认值与静默截断的代价本文摘要：Ollama 默认 num_ctx 为 4096，长文档超窗部分被静默截断，后半段无法引用。对比 prompt_eval_count 与预期 token 数即可发现截断，显式调大窗口即可修复。

像风一样自由2020

55.从零搭建一个企业文档问答系统总体架构与技术选型码海寻道 · 大模型、智能体与 RAG 工程组件系列第 55 篇企业文档问答系统不是“上传文件加一个聊天框”。它需要处理文档版本、权限、异步解析、向量检索、引用、监控、成本和安全。本篇先给出一套完整架构，再说明如何按阶段落地。

for_ever_love__

LangChain 效果评测：没有评测，优化就是在瞎调改了切分参数，感觉"好像好了一点"；换了 embedding 模型，觉得"似乎更准了"。这些"感觉"是不可靠的，而且每一次改动都可能悄悄让另一类问题变差。

做个文艺程序员

MQ第10篇：RAG与消息队列实战：Java构建AI客服系统的检索增强生成完整架构摘要：本文深入RAG（检索增强生成）的工程实现，用Spring AI的VectorStore + RetrievalAugmentationAdvisor + RocketMQ构建完整的AI客服系统架构。从“不是让AI记住所有知识，而是开卷考试”的核心原理讲起，拆解知识库异步更新管道和用户请求异步处理链路，用RocketMQ LiteTopic实现多租户SaaS下的会话级隔离。全文配架构图、时序图、可直接运行的Spring Boot代码，以及5个生产环境必知的核心决策点。适合正在构建企业级AI客服、智能问

东莞市云毅网络有限公司

用 Python 给官网做字段级变更监控：快照、比对与变更清单页面改版没人察觉、字段写错要几个月后才被发现，这两件事在同一套监控里经常被搞反。用整页哈希或全文比对做变更检测，头一轮就会告警几十条：模板加了脚本、页脚换了年份、推荐位换了展示对象，全都算变更。真正出问题的那一次——服务半径从「珠三角」写成「全国」——反而埋在噪声里。

大模型技术全景(二十四)：RAG 发展的四种基础范式与未来趋势📚 本文收录于「流浪」的系列专栏🏠 博客主页：流浪｜ 📝 原创首发于 CSDN前面几篇走完了 RAG 的完整链路：文档加载、分块、嵌入、入库，到用户提问、向量化、检索、增强、生成。这条链路是一种「标准做法」，但它并不是唯一做法——RAG 从 2020 年提出到现在，已经分化出一整套范式，每一代都在补上一代暴露出来的短板。本篇按它的发展脉络拆四种基础范式：朴素 RAG、高级 RAG、模块化 RAG、基于图的 RAG，每种都讲清楚它解决什么问题、代价是什么、适合什么场景，最后给出未来可能的发展趋势。

大模型技术全景(二十三)：RAG 应用阶段的检索、提示词增强与生成📚 本文收录于「流浪」的系列专栏🏠 博客主页：流浪｜ 📝 原创首发于 CSDN上一篇把知识库构建阶段的最后一环讲完了：向量连同原文和元数据一起落进向量库，四段字段各管一件事，选型看规模、运维和技术栈。库建好之后，真正的使用阶段才刚开始——用户敲一句话进来，系统要把它变成向量、在库里捞出最相关的几块、把这几块和原来的问题揉成一个像样的提示词，最后交给大模型写出答案。本篇就走一遍这条线：用户查询、查询向量化、向量检索、提示词增强、大模型生成，也就是 RAG 里 R 到 G 的完整过程。

梦想的颜色

【AI速览】RAG 向量数据库选型：Milvus、Chroma、Qdrant、PGVector 全维度横向对比RAG 系统的瓶颈往往不在大模型，而在检索层。很多团队 POC 阶段随便选 Chroma，上线直接翻车；已有 Postgres 的团队盲目上 Milvus，引入一堆中间件，运维成本爆炸。

从语义准备到模型验收：HENGSHI SENSE Data Agent 的 RAG 与部署工程实践摘要：企业级数据问答的难点不在于把一句自然语言送进大模型，而在于让系统在既定的数据范围、业务口径和权限边界内给出可核验的结果。HENGSHI SENSE 的 Data Agent 将数据语义准备、向量检索、模型调用和数据查询组织成一条可运维链路。本文以当前公开的 6.2 手册为配置基线，结合公开发布说明中列出的 6.3.2 与 6.2.5 版本，说明向量服务如何交付和升级，RAG 在链路中解决什么问题，以及模型、提示词、权限和验收应如何一起落地。实际部署仍应以现场所用版本的发布说明、交付包和启动日志为准。

RAG知识库--coze真服了这ai还乱编问题所在知识过时，无法回答用户体验差 Bot价值大打折扣直接将用户的问题（query）送入LLM（大模型）得到结果

AI Agent 生产级架构设计：工具调用与MCP、RAG、安全护栏与评估体系适合谁读：正在把大模型能力接入业务系统、需要把 Agent 从 Demo 推向生产的后端工程师和架构师。

小易老师AI实战

大模型Token成本优化指南：彻底解决推理成本高、响应慢问题（企业落地完整版）摘要：企业落地大模型业务时，推理成本居高不下、接口响应延迟高、Token资源严重浪费是三大核心痛点。绝大多数AI项目存在30%-70%的无效Token消耗，未做任何精细化优化，导致业务盈利空间被压缩、用户体验变差。本文从企业真实落地场景出发，系统性总结Token浪费核心场景，详解分词优化、上下文裁剪、推理缓存、大小模型分流四大核心优化方案，附带可直接落地的工程策略、代码片段及优化前后量化数据对比，是一套通用、可复用、高收益的企业AI降本提速完整方案。

大模型技术全景(二十二)：RAG 数据入库与向量数据库📚 本文收录于「流浪」的系列专栏🏠 博客主页：流浪｜ 📝 原创首发于 CSDN上一篇我们把嵌入这件事讲透了：文本被转成一列数字，语义相近的对象在向量空间里靠得更近，相似度用什么距离算、模型怎么选，都是那一篇的事。向量算出来之后还面临一个很现实的问题——它得有地方放。放内存里进程一重启就没了，放普通数据库里又查不动，因为「找出最相似的十条」这种问题，传统数据库的索引结构根本答不上来。本篇接着讲知识库构建的最后一环：数据入库，也就是向量存到哪、一条记录里到底要存哪些东西。