rag

东莞市云毅网络有限公司

FAQ 覆盖度打分：TF-IDF 与向量嵌入双路召回的 Python 实现很多团队上线 FAQ 库以后，对覆盖度的判断其实靠感觉：能想到的问题都写进去了。把真实问题集铺开跑一遍巡检，结论常常反转——同义问法被判成没覆盖，答案沾边的反而被当成命中。这说明单一相似度路径不可靠，字面与语义两路召回再加权融合，才是更稳的打法。本文给出一套完整的 Python 实现与打分口径，只依赖 numpy 与 scikit-learn，不涉及任何私有库。

Rerank 与上下文工程：重排、压缩与引用溯源的收益边界一句话结论：Rerank 解决的是“排序”，不是“召回”。它的收益取决于初召回质量与候选集大小；上下文工程的核心不是“塞更多”，而是“放对位置、去掉噪声、可溯源”。

RAG 评估体系：黄金集、检索指标与 LLM-as-Judge 落地一句话结论：RAG 优化必须拆成检索评估与生成评估两层；LLM-as-Judge 可用，但必须固定 rubric、校准偏差、保留人工抽检。没有评估，所有“优化”都是感觉。

【从零理解 Spring AI · 14】RAG 的四个环节：加载、切分、向量化、检索上一篇的最小闭环里，"把文档导入向量库"被一句话带过了。真到落地，你会发现RAG 项目的坑 80% 都埋在导入环节：PDF 解析乱码、段落切得稀碎、检索回来的内容答非所问。

典学长编程

RAG 进阶学习：索引构建阶段与检索增强阶段索引构建阶段的目标是准备 RAG 知识库：将原始文档转换为可供检索的向量索引。该阶段包含三个核心步骤：

【从零理解 Spring AI · 15】让检索更准：先宽召回，再精排序四个环节都打磨到位后，RAG 的回答质量会上一个台阶。但很快你会遇到下一层瓶颈：检索回来的 5 段里，真正回答问题的只有 1 段，剩下 4 段是"话题相近但没用"的噪声——它们占着上下文的空间（费钱）、稀释模型的注意力（答不准）。

Java后端的Ai之路

RAG 还是 Agent 自主检索？Claude Code 删掉向量库之后，我把选型讲透了前段时间刷到「小林面试笔记」的一篇推文，标题很扎人：面试官冷笑，“RAG 和 Agent 自己搜文件怎么选？”

AiServices 源码级拆解：一个接口如何变成 RAG Agent一句话结论：AiServices 不是魔法，而是“动态代理 + 上下文装配 + 消息构建 + 输出解析”的运行时。理解装配顺序，才能定位 90% 的“工具不触发、结构化输出失败、记忆不生效”。

LangChain4j 1.23 架构全景：Java 大模型应用的 6 层抽象一句话结论：LangChain4j 1.23 的价值不在“帮你调通模型”，而在用 Model → Prompt → Memory → RAG → Tool → Agent 六层可替换抽象，把 LLM 应用从 Demo 带到可运维的生产系统。选型时先看团队约束，再看框架能力。

LangChain4j 生产级工程骨架：12 个模块 + Docker 一键启动一句话结论：单文件 Demo 的问题不是“代码少”，而是所有决策都被隐式写死。把模型、记忆、检索、工具、配置、观测拆成 12 个边界清晰的模块，并用内存模式保证零外部依赖启动；Docker 只是生产可选，不是开发前提。

智能体项目复盘 · 智能客服篇：对话栈、Flow 与策略集成器——LLM 是怎么嵌进传统多轮对话架构的💡 这一篇对应课程的 07-项目_智能客服系统。它是整个系列里架构最重的一个项目：4 天、29 节视频、一个独立命名的 Agent 框架（atguigu_ai）加一个示例业务工程（ecs_demo），还有一个 640 行的 GraphRAG 实现。

RAG、SFT、RL 怎么选？基座模型越来越强，什么时候还值得微调假设我们在做一个内部 SDK 升级助手。开发者把依赖清单和失败的 CI 日志交给它，它要判断用了哪个版本、给出带出处的迁移建议，并在沙箱里验证修改。比如日志提示某个配置项不认识，原因可能是旧选项已经移除，也可能是 CI 实际加载了另一个版本。用户看到的都是「升级建议不靠谱」，后台要分开查知识、行为和决策。

雪碧聊技术

RAG技术解析、落地指南（详解）前言：RAG是什么？有什么用？RAG 全称是 Retrieval-Augmented Generation，即“检索增强生成”.

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。