rag

收藏！RAG核心工具大全: 7大解析工具+向量模型+数据库+检索排序原文: https://mp.weixin.qq.com/s/5XAWHqjZspU9xtC_CckV3w

基于Qwen3-VL多模态嵌入/重排序模型+Dify（docker）工作流的电商图文检索系统打开终端，选择一个目录，执行git clone https://github.com/langgenius/dify.git克隆dify项目

给 Agent 安装技能：工具抽象、自动选工具与安全边界我们已经搞定了：这一篇，我们专门盯住其中最关键、也最容易踩坑的一层：工具层（Tools / Actions） —— 也就是「给 Agent 安装技能」的地方。

RAG 时代的“破壁人”：为什么你的大模型应用急需 Docling？在 RAG（检索增强生成）的开发圈子里，有一句流传甚广的“黑话”：“垃圾进，垃圾出（Garbage In, Garbage Out）。” 无论你的向量数据库有多快，大模型（LLM）的推理能力有多强，如果最开始喂给它的文档数据是一团乱麻，那最终的回答效果一定不尽如人意。正是在这种背景下，IBM 开源的 Docling 像一匹黑马，迅速成为了 RAG 领域的“新宠”。

从零实现一个生产级 RAG 语义搜索系统：C++ + ONNX + FAISS 实战既然是“从零实现”，本文暂不深入探讨繁复的理论背景，而是先聚焦一个核心问题：语义化搜索中的“语义化”到底是什么意思？

RAG不是万能的，但没有RAG是万万不能的：8种主流架构全景解析在大模型时代，RAG（Retrieval-Augmented Generation）几乎成了每个技术团队的标配。它看似简单：用户提问，系统从私有知识库中找相关文档，再让大模型据此生成答案。但实际落地时，我们很快发现：原始的“检索-生成”流水线在面对复杂查询、模糊语义或低质量文档时频频失效。答案要么张冠李戴，要么干脆胡编乱造。这促使业界不断演进RAG架构，从最初朴素的Naive RAG，发展出引入多头注意力、自我修正、智能体规划、图结构乃至工业级优化的多种变体。这些架构并非相互替代，而是针对不同场景痛点的精

从日志到截图：多模态运维 Agent 的工程落地大多数关于大模型运维的文章，还停留在“看日志、查文档、问知识库”这一层，很少真正把可视化信息也纳入到 Agent 的决策链路里，比如：

CCPC不拿奖不改名

Langflow源代码解析01：源代码拉取、安装依赖项，并运行langflowgit、pycharm、python3.10这一些已经安装好创建一个新的文件夹，在其中打开git，初始化

01-从零构建LangChain知识体系通俗易懂！！！目录从零构建 LangChain 知识体系（小白友好·比喻版）📌 引言第一层 · 地基：LLM 与它的基本语言

博士僧小星

人工智能|大模型——RAG——RAG从理论到实战各位技术大佬，大家好！今天非常荣幸能够与大家一同探讨和学习与RAG相关的理论与技术，分享的相关内容与知识仅供大家参考，抛砖引玉，有不对的地方评论区多多指正。

qwen2.5技术报告分析上预训练，和前代版本相比，高质量预训练数据集从之前的7万亿 token 扩⼤到了 18 万亿 token 后训练，用了100 万个样本的精细监督微调，以及包括离线学习 DPO 和在线学习 GRPO 在内的多阶段强化学习开源权重版本包含 0.5B 1.5B 3B 7B 14B 32B 和 72B （都是稠密的）参数规模的基础模型及指令微调模型还有两个api模型，。Qwen2.5-Turbo 和 Qwen2.5-Plus（这两个是moe的）

大模型实战：构建 RAG 的自动化质量保障闭环前一篇《大模型实战：专门为 RAG 设计一套「检索 / 解释 / 评估」Agent 组合》，已经为 RAG 系统拆出了三类专用 Agent：

学习是生活的调味剂

大模型应用之使用LangChain实现RAG（一）2022年10月LangChain由 Lson Chase 创建，LangChain围绕 LLMs（大语言模型）建立，为各种 LLMs 实现通用接口，简化 LLMs 相关开发，方便开发者快速构建复杂的 LLMs 应用。

mcp和skills区别Agent Skills 与 MCP：智能体能力扩展的两种范式引言：MCP 之后，我们还需要什么？在第十章中，我们深入探讨了 MCP（Model Context Protocol）如何通过标准化协议解决智能体与外部工具的连接问题。你已经学会了如何让智能体通过 MCP 访问数据库、文件系统、API 服务等各种资源。让我们回顾一个典型的 MCP 使用场景：

RAG 系统性能跃迁：LlamaIndex 索引优化实战指南在构建检索增强生成（RAG）系统时，很多开发者会遇到这样的困境：明明用了最先进的大语言模型，检索结果却总是差强人意 —— 要么答非所问，要么遗漏关键信息。其实，RAG 的性能瓶颈往往不在 LLM 本身，而在索引环节。本文基于 LlamaIndex 的生产级方案，深入解析两种核心索引优化策略，帮你突破检索精度与生成质量的双重瓶颈。

Milvus介绍及多模态检索实践：从部署到实战全解析在AI技术高速迭代的今天，多模态数据（文本、图像、音频、视频）爆发式增长，如何高效存储、检索这些非结构化数据，成为解锁AI应用落地的关键。向量数据库作为非结构化数据检索的核心载体，其中Milvus凭借生产级的稳定性、高扩展性，成为大规模向量检索场景的首选工具。

AIGC 应用工程师（3-5 年）面试题精讲：从基础到实战的系统备战清单面向人群：AIGC 应用工程师（3-5 年）风格：严谨技术向 / 通俗易懂 / 干货清单AIGC 应用工程师（3-5 年）通常被要求既能“用得好”（快速将大模型能力落地到业务场景），也能“讲得清”（能解释设计与权衡），并且“走得稳”（具备工程化、成本和安全意识）。面试主要考察以下能力：

RAG检索增强生成深度解析：从召回率瓶颈到企业级落地实践摘要：本文深入剖析RAG（Retrieval-Augmented Generation）技术架构，重点探讨召回率低这一核心痛点，并从数据治理、多分支架构、知识图谱融合等维度，提供可落地的企业级优化方案。同时介绍Ragas自动化评估体系，帮助构建完整的RAG质量闭环。

大模型实战：搭建一张“看得懂”的大模型应用可观测看板前面已经做了很多底层工作：但如果这些信息只躺在日志或数据库里，不做一个「一眼就能看懂」的看板，日常用起来还是很痛苦：

爱喝白开水a

前端AI自动化测试：brower-use调研让大模型帮你做网页交互与测试文章介绍了Browser-Use这一Python库，它让AI能通过自然语言描述自主与网页交互，支持多种大模型。基于此库，AI自动化测试可探索prompt工程、MCP协议和一体化测试平台等方向。相关项目如VibeSurf、QA-Use等已实现智能测试功能，能自动执行UI测试、数据采集和业务流程。未来需平衡AI测试效果与token成本，实现高效且经济的自动化测试解决方案。