rag

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。

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