rag

要开心吖ZSH

AI医疗分诊与健康咨询助手agent开发——（4-2）从零到一：我给AI医疗分诊助手加了个“知识库大脑“，终于搞懂了RAG是什么前几篇我们搞定了三Agent编排，IntakeAgent问诊、TriageAgent分诊、ReportAgent出报告，链路跑通了，效果也还行。但跑着跑着我就发现一个问题：Agent再聪明，没有知识库也是巧妇难为无米之炊。用户问"高血压该挂什么科"，AI只能凭"训练时学过的知识"回答，没法引用具体的医学文献；用户问"偏头痛怎么预防"，AI给的建议很泛，没有权威来源支撑。

Document 切割：RAG 知识库数据预处理实战对于一个 RAG（检索增强生成）知识库系统，知识可以来自各种各样的地方：这些不同格式的文件，最终都需要变成向量数据库能处理的标准化格式——这就是本文要解决的问题。

Langchainrust:中LLM-as-a-Judge,用 Rust 实现一套 LLM 评估系统代码仓库:langchainrust · 全部可跑,文末有真实测试数据LLM 应用落地后,绕不开一个问题:输出到底好不好?

呆呆敲代码的小Y

RAG 表格解析完全指南：xParse、PaddleOCR、MinerU 实测对比并接入Agent使用随着AI的发展越来越强大，RAG如今在很多公司中已经开始作为知识库进行使用了。但公司的很多文档和资料都是非常多的，包括文档数量多、内容多、表格复杂等情况。

56.llama_index-查询引擎内容参考于：图灵AI大模型全栈查询引擎Query Engine（查询引擎）它在llamaindex中是最常用的一个抽象接口，用来接收问题，自动完成检索相关文档片段（Node）然后调用llm大模型生成最终答案，只需要一行代码就可以实现

RAG分块策略深度对比：主流方法的检索准确率差异与选型建议做RAG的团队越来越多，但检索效果不达标的问题也越来越普遍。多数人会去调embedding模型、换向量数据库、优化prompt，折腾一圈，收益有限。问题往往不在这些地方——真正的答案藏在最容易被忽视的前置环节：文档分块（Chunking）。

Word 图片如何进入 RAG：Apache POI、MinIO 与 URL 映射文档检索准确命中了“控制台新增数据源”的操作步骤，回答却只剩“点击下图红框中的按钮”。截图没有被抽出来，Markdown 里还是本地临时路径，用户看到的不是知识，而是一句失去指向的说明。

阶段一-图数据库基础与PropertyGraph模型在深入图数据库的技术细节之前，必须首先厘清一个常见的概念混淆：知识图谱 ≠ 图数据库。知识图谱是一种知识组织与表示方式，它关注的是如何将现实世界中错综复杂的实体及其之间的关系结构化地表达出来；而图数据库是一种数据存储与查询引擎，它为知识图谱的落地提供了底层的技术支撑。换言之，知识图谱是"要表达什么"，图数据库是"怎么存储和查询"。

业务智能体实战笔记（二）｜前置拦截：别让 LLM 做不该做的决策系列导航：上一篇：分层消除不确定性（一）主线与全景 | 下一篇（预告）：收窄 LLM 决策空间（持续更新）

阶段二-Cypher查询语言详解Cypher是一种声明式图查询语言（Declarative Graph Query Language），最初由Neo4j团队设计，后来逐步演变为开放标准openCypher。其最显著的特点是采用"ASCII艺术"（ASCII Art）语法风格——用简单的键盘符号组合来直观地描绘图的结构，使得查询语句本身就像一幅微缩的图谱。

RAG 进阶｜响应生成（Generation）4 大痛点深度剖析：从问题定位到工程解法导读：很多人写 RAG 都是「llm.invoke(prompt) 跑通就觉得完事」，上线后才发现——LLM 答非所问、JSON 解析爆炸、检索失败时模型硬编、用 GPT-4 太贵用开源太弱。本文用 4 个真实生产场景，把 RAG 在生成阶段撞上的 4 类问题彻底拆开：问题怎么表现、属于 RAG 哪个阶段、用什么技术解决、解决后效果如何。

大模型LLM ACA - ACP认证考试真题冲刺演练二答案参考目录一、大模型LLM ACA - ACP认证考试二、大模型LLM ACA - ACP认证考试真题冲刺演练一

LangChain 实战指南：回调系统、自定义组件与有状态对话全落地在LangChain实际项目开发中，原生内置的文档加载器、检索器、日志能力仅能满足通用场景。面对私有文件格式、定制化检索逻辑、全链路日志监控、多轮会话持久化等企业级需求时，必须掌握LangChain自定义开发能力。

LLM Wiki：大语言模型世界的“百科全书”你有没有这样的经历：翻开一篇 AI 文章，“Token”“RAG”“Fine-tuning”“Temperature”……一连串陌生词汇砸过来，每个字都认识，但合在一起完全不知所云。AI 领域实在太新太热，每天都有新模型、新术语冒出来，就像忽然走进一个语言不通的异国城市，急需一张地图。

不能只会打代码

RAG 数据源全景解析指南：从 .txt 到知识图谱的 7 大阵营 47 种格式那个……RAG 处理 PDF 和 Excel 具体是怎么弄的呀？听到面试官这个问题时，你的大脑是不是瞬间死机，然后开始疯狂输出：「呃……就是……解析……然后……切片？」

Agent 工程化指南（二）：记忆与规划 — 让 Agent “记得住“且“做得对“一句话定位：解决 Agent “健忘”、“死循环”、"瞎想"三大顽疾。读完能给 Agent 添加记忆和规划能力。

50.llama_index-文档分割器（文本）内容参考于：图灵AI大模型全栈分割（分割也叫分片）器的作用1.限制LLM上下文窗口的数据，问题内容和大模型输出的内容被看作为一次上下文大小，现在的模型都有上下文的限制，没办法传递给大模型一个很大的文档

多租户 RAG 知识库系统基于Spring Boot 4.0.5+Spring AI 2.0.0 + Milvus基于 Spring Boot 4.0.5 + Spring AI 2.0.0 + Milvus 的多租户 RAG 知识库系统。

Agent工具调用中无限重试死循环的根因与修复Agent 在执行任务时，调用某个工具后进入死循环——不断以相同或微调参数重试同一个工具调用，每次返回相似结果但仍继续重试，Token 快速消耗，任务卡死无法推进。

接着奏乐接着舞。

【2026年7月最新】69道RAG面试题RAG本身的概念还是很容易理解的，既：索引→检索→生成→评估四个环节串联，但是在实际的开发项目中还是经常遇到一些问题，而最好的方式就是通过面试题的形式进行记忆和查找，以点带线，以线促面，以下面试题基于实际开发项目以及我们要想掌握RAG必须会的。ps:建议学习一下milvus的使用