rag

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

Agent Runtime Evaluation Platform — AI Agent 运行时全维度质量评估平台📦 GitHub: https://github.com/daetz-coder/Agent-Runtime-Evaluation-Platform

业务智能体实战笔记:分层消除不确定性(一)｜总纲:把不确定性从 LLM 侧转移到工程侧系列说明:这是「业务智能体准确率从 65% 到 85%」系列的第一篇,共 5 篇。首篇讲主线和全景,后 4 篇按四层方法论分别展开。文末有系列导读。

阿拉斯攀登

Prompt 工程与答案生成优化检索到了相关内容，不代表大模型就能答好。怎么让模型基于资料回答、不编造、引用来源、格式规范？这篇讲 RAG 的 Prompt 设计、减少幻觉的技巧、答案格式控制、以及常见问题的应对方法。

阿拉斯攀登

企业知识库实战：从 0 到 1 落地全记录最后一篇实战，把前面 9 篇的知识全部串起来。从需求分析、架构设计、文档处理、检索优化到上线运维，完整讲一遍企业知识库 RAG 系统是怎么从 0 到 1 落地的，踩过哪些坑、每一步优化了多少。

阿拉斯攀登

检索效果评估与 Bad Case 分析RAG 效果好不好，不能凭感觉。怎么衡量检索质量？召回率怎么算？Bad Case 怎么分类分析？这篇讲检索评估的指标体系、测试集构建、Bad Case 分析方法论，以及迭代优化的流程。

阿拉斯攀登

RAG 性能优化：缓存、批量与并发RAG 系统跑起来容易，扛住并发难。用户多了响应慢、成本高怎么办？这篇讲 RAG 系统的性能优化：检索加速、Embedding 优化、大模型调用优化、缓存策略、并发处理，从延迟和成本两个维度优化。

46.llama_index-提示词模板（富提示词模板、jinja2静态和动态模板）内容参考于：图灵AI大模型全栈LLamaIndex提供了三个提示词模板PromptTemplate：普通提示词模板，出现的最早，纯字符串，可以用来做文本补齐，但真正的场景都是要跟聊天一样，这种纯字符串的不会用，现代最基本的AI就要支持聊天，这个只需要做了解就可以