rag

深度解析影响 RAG 召回率的四大支柱——模型、数据、索引与检索面对大型语言模型（LLM）知识陈旧、容易幻觉的固有挑战，检索增强生成（RAG）技术已然成为构建可信、精准、知识渊博AI应用的行业基石。RAG的核心魅力在于它用强大的语义检索能力，为LLM实时注入了新鲜、准确的外部知识，它能真正理解用户的查询意图，从海量文档中找到与之“意思相近”而非仅仅“字面相同”的内容。

在未来等你

RAG实战指南 Day 4：LlamaIndex框架实战指南RAG,LlamaIndex,检索增强生成,大语言模型,AI开发本文是"RAG实战指南"系列的第4天，聚焦LlamaIndex框架的核心功能与实战应用。我们将深入解析LlamaIndex在RAG系统中的定位，详细讲解其数据连接器、索引构建和查询引擎三大核心组件的工作原理。文章包含完整的Python代码实现，展示如何从零构建一个基于LlamaIndex的文档问答系统，涵盖文档加载、索引创建、向量检索和响应生成全流程。通过与传统方法的对比分析，我们将揭示LlamaIndex在结构化数据处理和多源集成方面的独特

Graph ⋈ Agent：Chat2Graph 如何重构 GraphRAG 范式？去年年底，我在《2024年度 Graph+AI 开源探索思考》一文中，细致拆解并总结了 TuGraph 在「Graph+AI」领域的开源技术实践经验。文中引用了一段业内不成文的观点：「23年卷 SFT，24年卷 RAG，25年卷智能体」，并将「Graph Native」的理念引入到智能体的设计中。

深度拆解RAGFlow分片引擎之切片实现上一篇深度拆解RAGFlow分片引擎！3大阶段+视觉增强，全网最硬核架构解析讲了切片的整体流程，今天我们来拆下切片的实现。

MCP出现的意义是什么？让 AI 智能体更模块化AI 智能体现在能做的事情真的很厉害，可以思考、规划，还能执行各种复杂任务，而且代码量并不大。这让开发者看到了一个机会：把那些庞大复杂的代码库和 API 拆解成更实用的模块。

dify本地部署及添加ollama模型（ubuntu24.04）下载地址：https://github.com/langgenius/dify 切换到自己要存放该源码的目录下，拉取代码

【一天一个知识点】RAG构架的第四步：设计问答链路与响应控制（Response Chain & Output Control）在生成器模型的基础上，构建完整的问答链路，确保输出结果准确、可控、可溯源，提升实际可用性与用户信任度。

如何用大语言模型提取任意文档中的知识点随着大语言模型（LLM）能力的发展，从海量非结构化文档中自动化、规模化地提取关键信息已成为可能。无论是处理公司财报、技术白皮书，还是分析法律合同，LLM 都能扮演一个高效的“知识萃取专家”。

迢迢星万里灬

Java求职者面试：Spring AI、MCP、RAG、向量数据库与Embedding模型技术解析1. 请解释Spring AI是什么？它与传统Spring框架有何不同？Spring AI是Spring生态系统的一部分，专注于人工智能和机器学习相关的开发。与传统Spring框架相比，Spring AI提供了更丰富的工具和库来支持AI应用的构建，例如集成TensorFlow和PyTorch等深度学习框架。

RAG轻松通-P1：分块欢迎来到啾啾的博客🐱。记录学习点滴。分享工作思考和实用技巧，偶尔也分享一些杂谈💬。有很多很多不足的地方，欢迎评论交流，感谢您的阅读和评论😄。

带刺的坐椅

Solon AI 五步构建 RAG 服务：2025 最新 AI + 向量数据库实战此文参考自：https://www.toutiao.com/article/7506140643970826779/

在未来等你

互联网大厂Java求职面试：云原生架构与微服务设计中的复杂挑战面试官（严肃模式开启）：郑薪苦，欢迎来到我们的技术面试环节。我是本次面试的技术总监，接下来我们将围绕云原生架构、微服务设计、AI集成和分布式系统这些热门领域展开深入讨论。希望你能展现出你的技术深度以及解决问题的能力。

使用RAG的思想进行PPT生成的框架思路-SlideCoder手动创建幻灯片既费时又费力，如何从参考图像自动生成可编辑的幻灯片？现有的问题：如Autopresent的方法，通过构建大批量的SFT数据生成ppt代码来生成ppt。然而，自然语言描述难以准确描述幻灯片的视觉设计，LLMs在处理复杂PPT时存在局限性，特别是包含多样元素类型和高元素密度的情况；LLMs对python-pptx库的理解不足，导致生成的代码可能存在语法错误或不可执行。

Python测试之道

RAG实战：基于LangChain的《肖申克的救赎》知识问答系统构建指南作为一名测试工程师，你是否遇到过以下场景？RAG（检索增强生成）技术恰好能解决这些问题！本文将以电影《肖申克的救赎》为案例，手把手教你使用LangChain框架构建一个完整的RAG系统，通过代码实战展示如何将静态文档转化为可交互的知识库。需提取申请好deepseek的api-key及阿里的通义千问的api-key。本文使用deepseek作为chat大模型，通义千问的text-embedding-v2作为嵌入式模型。与项目源码同目录创建.env，内容如下图所示。

Java面试实战：Spring Boot+微服务+AI的谢飞机闯关之路 | CSDN博客精选谢飞机：嗯...就是那个AutoConfiguration的东西对吧？我看过源码，是通过@Conditional注解来判断某些类是否存在，然后决定是否加载对应的Bean...

【大模型系列篇】RAGFlow递归抽象处理树组织检索：Raptor检索增强型语言模型可以更好地适应世界状态的变化，并整合长尾知识。然而，大多数现有方法只从检索语料库中检索较短的连续块，限制了对整体文档上下文的整体理解。我们引入了一种新颖的方法，即递归地对文本块进行嵌入、聚类和摘要，自下而上构建一个具有不同摘要级别的树。在推理时，我们的 RAPTOR 模型从这棵树中检索，整合不同抽象级别的长文档中的信息。对照实验表明，使用递归摘要的检索在多项任务上比传统的检索增强型 LLM 有显著的改进。在涉及复杂、多步推理的问答任务中，我们展示了最先进的结果；例如，通过将 RA

基于 SpaCy 框架的依存句法分析实战指南目录基于 SpaCy 框架的依存句法分析实战指南引言1️⃣ 环境配置2️⃣ 基本使用方法3️⃣ 解析结果讲解

橙子小哥的代码世界

【大模型RAG】Docker 一键部署 Milvus 完整攻略本文概要Milvus 2.5 Stand-alone 版可通过 Docker 在几分钟内完成安装；只需暴露 19530（gRPC）与 9091（HTTP/WebUI）两个端口，即可让本地电脑通过 PyMilvus 或浏览器访问远程 Linux 服务器上的 Milvus。下面从环境准备、Docker 安装、容器启动、数据持久化、防火墙与安全组配置到客户端连接与常见故障排查，一步到位地给出完整操作指引，并汇总常见陷阱及修复方案。

如何打造一款金融推理工具Financial Reasoning Workflow：WebUI+Ollama+Fin-R1+MCP/RAG在之前的文章中，我探讨了如何使用具身人工智能，让大语言模型智能体来模仿[当今著名对冲基金经理的投资策略]。在本文中，我将探讨另一种方法，该方法结合了经过金融推理训练的特定大语言模型（LLM），并集成了一系列金融工具，如股票分析、外汇交易等。此外，可以利用LightRAG通过精心整理的金融文档来增强知识，然后将这些知识集成到在本地运行的Open-WebUI / Ollama中。因此，综合起来，解决方案如下图所示。

Tavily 技术详解：为大模型提供实时搜索增强的利器目录🚀 Tavily 技术详解：为大模型提供实时搜索增强的利器🧩 为什么需要 Tavily？🔍 Tavily 是什么？