rag

RAG的Java落地-从切分入库到检索问答模型不知道你公司的文档，微调又贵又不划算，RAG 是那条正路：回答之前先检索相关片段塞进上下文。概念早就不神秘了，问题是怎么在 Java 里落地。这篇把五步流水线的骨架用零依赖代码跑通，先把形状看懂，再谈换向量库。

像风一样自由2020

4.DockerCompose是什么为什么算法服务需要多个容器码海寻道 · AI 算法工程化与系统落地实战第 4 篇一个算法服务很少只需要一个进程。实际项目通常还需要 PostgreSQL 保存任务和结果，Redis 做缓存和限流，MinIO 保存文件，RabbitMQ 处理异步推理，Nginx 接收外部流量。

RAG-FastGPT安装今天开始学习RAG安装，选择FastGPT，环境是Windows 11。右键开始菜单 → 终端(管理员)，输入wsl --install或者wsl --install --no-distribution，第一个可能报错，报错就用第二个

我喜欢就喜欢

RAG 重排序 Rerank 实战：用 bge-reranker 把 Top-K 命中率拉回来做 RAG 时最常见的体感是：向量召回「看起来有了」，最终回答却经常答非所问。根因多半不在大模型，而在召回排序：embedding 相似度擅长「语义近」，不擅长「对这个问题有没有用」。

不用向量库，我用 MySQL 跑通了蔬菜 RAG--基于 RuoYi-AI 的蔬菜种植知识库 + 智能咨询系统，普通开发机就能跑基于 RuoYi-AI 的蔬菜种植知识库 + 智能咨询系统，普通开发机就能跑大多数人做 RAG 的第一步，就卡在装向量数据库上。

骑着蜗牛撵大象327

Spring Boot 4.1 + Spring AI 2.0：RAG 供文、图谱供关系、MCP 供工具的 Java Agent 平台把一个业务问答系统接上大模型，两周就能跑通：向量库塞文档、ChatClient 一调，答案立刻出来。可一上线问题就冒头——问「张三的报销单卡在谁手里」时模型只能复述制度文档，答不出关系链；想让它顺手查一下订单状态，又只能靠后端硬编码一个接口。

救救孩子把

生产 RAG 检索故障怎么查？沿着正确证据逐站定位答案引用了正确文件，数字却错了。检查后发现：退款表格来自扫描 PDF，解析时两列文字被拼到一起。团队调了两天提示词，真正丢失的信息却发生在模型调用之前。

ChatGPT、Codex工程实战：Agent接入企业知识库，文档明明更新了，为什么回答还是旧版本？一个Java开发人员最近给公司的售后系统做了企业知识库Agent。员工可以直接提问“退款要满足什么条件”，Agent通过检索工具找到政策文档，再给出回答和引用来源。

第404块砖头

Spring Boot 4.1 + Spring AI 2.0：我如何用 Java 微服务把 RAG、知识图谱和 MCP 协议串成一个 Agent 平台做 Java 生态的 AI 应用，最痛苦的不是模型调用，而是把 RAG、Agent 编排、工具协议、知识图谱这些能力在一个工程里干净地组装起来。Spring AI 生态目前缺少一个覆盖全链路的参考实现，所以我动手做了一个：springboot-agent。

【随笔】RAG混合检索：让关键词与向量一起找证据用户问：“支付报ERR_PAY_042，页面一直转圈，是不是应该再付一次？”知识库里可能有三份相关资料：错误码说明、支付超时处理流程、幂等键与重复扣款保护。只按错误码查，容易遗漏没有写错误码的流程文档；只按语义相似度查，又可能把另一个相似错误码的资料排到前面。

【AI 转型实战 1】SpringAI 入门：搭建基础大模型对话能力中文通常译为大语言模型，日常也常简称为大模型。不过严格来说，“大模型”的范围更宽一些——它还可以包括多模态大模型（如能处理图像、音频的模型），而 LLM 特指以文本（语言）为核心的大规模神经网络模型。

RAG 答非所问/幻觉怎么破？Spring AI QuestionAnswerAdvisor 召回优化实战（TopK/重排/混合检索）系列：Spring AI 深入浅出（第 11 篇）版本：Spring AI 2.0.1 / Spring Boot 4.1.x / JDK 21 标签：#SpringAI #RAG #QuestionAnswerAdvisor #幻觉前置阅读：第 9、10 篇预计字数：6500 字｜可复制源码 + 召回参数表 + 幻觉排查清单

内存/Redis/PGVector/Milvus/ES 怎么选？Spring AI VectorStore 抽象与向量库选型对照表系列：Spring AI 深入浅出（第 10 篇）版本：Spring AI 2.0.1 / Spring Boot 4.1.x / JDK 21 标签：#SpringAI #向量库 #PGVector #RAG 前置阅读：第 9 篇《RAG 原理与 ETL 管线》预计字数：6500 字｜可复制源码 + 选型对照表 + 踩坑 FAQ

OpenAI 技术全景解析在 AI 应用开发中，openai.OpenAI() 客户端和 Agent 类往往是最先接触到的接口。然而，Agent 只是 OpenAI 技术栈中最上层的封装。要构建健壮、可扩展的 AI 系统，理解其底层的模型原语、工具协议和编排机制至关重要。

一枕槐安487

RAG 服务扛住高并发：缓存、队列、限流三件套摘要高并发 RAG 服务的瓶颈通常不在检索或生成算法本身，而在同步请求模型下的连接堆积、重复计算和故障级联。本文从语义缓存、异步任务解耦、限流与降级三个层面拆解可落地的优化架构。读者将获得分层缓存策略、文档摄取异步化方案、令牌桶与断路器组合的工程实现，以及命中率-延迟-成本之间的量化权衡依据。

【HM-LC】LangChain RAG查询优化详解：查询重写、混合检索与重排序实战上一节我们完成了知识库的构建（文档加载→切分→向量化→存储），本节将聚焦于如何构建RAG Agent，将检索与生成结合。

RAG第一步文档解析mineruMiniCPM-OCR 系列模型官方在线体验工作台：https://platform.modelbest.cn/console/playground/document-parse 官方 GitHub 开源仓库：https://github.com/OpenBMB/MiniCPM-OCR Hugging Face 模型与评测集：https://huggingface.co/collections/openbmb/minicpm-ocr

预算只够升级 10% 的查询，该升级谁？金融文档 QA 的Token分配课💡 一句话总结：批量 RAG 有个很少有人正式处理的问题：150 个查询共享一份 token 预算，而「给某个查询上更深检索」的额外成本能差十倍。这篇论文把升级决策做成了资源分配题，结论精确而克制：成本可以预测得很准（R²=0.93），但「升级有没有用」几乎猜不中（AUROC 0.60）。所以在紧预算下，按「收益 ÷ 每 token」排序比按收益排序多救回 7 个升级机会、质量 +0.034、总 token 省 46.6%——而想在整个预算曲面上全面赢，得先把收益预测本身做出来。

一枕槐安487

RAG 增量更新向量库实战：新增文档自动去重索引摘要知识库新增文档时，如果每次都全量重建向量索引，成本和耗时都扛不住；但只追加新向量、不处理旧内容，又会造成重复召回和索引膨胀。本文从一个应届生可以本地复现的示例项目出发，给出基于文件哈希与块级哈希的增量索引流水线：新增文档自动分块、去重、向量化，未变化的内容跳过，旧版本逻辑失效。读完你可以拿到一套可运行的简化代码、一张全量重建与增量更新的对比表，以及面试中关于 RAG 增量索引的高频问法与回答思路。

一枕槐安487

应届生 RAG 项目包装：FastAPI 检索服务接口设计指南摘要很多 RAG 项目在本地 Jupyter Notebook 里跑通后，却无法给前端或大模型应用提供稳定的服务。本文详细演示如何用 FastAPI 将本地的检索脚本封装成符合 RESTful 规范、带数据校验、支持跨域配置的 Web 服务。通过完整的代码实战与常见排错指南，帮助开发者掌握 AI 应用接口封装的核心技巧，并提供相关的高频面试考点。