rag

爱喝白开水a

前端AI自动化测试：brower-use调研让大模型帮你做网页交互与测试文章介绍了Browser-Use这一Python库，它让AI能通过自然语言描述自主与网页交互，支持多种大模型。基于此库，AI自动化测试可探索prompt工程、MCP协议和一体化测试平台等方向。相关项目如VibeSurf、QA-Use等已实现智能测试功能，能自动执行UI测试、数据采集和业务流程。未来需平衡AI测试效果与token成本，实现高效且经济的自动化测试解决方案。

落霞的思绪

GIS大模型RAG知识库我是"LLM驱动的在线地图制图平台"内嵌的智能制图助手，专为地理信息工作者设计的AI伙伴。我通过理解您的自然语言指令，生成安全的JavaScript代码来操作地图，实现"对话即制图"的智能体验。

（第十篇）Spring AI 核心技术攻坚全梳理：企业级能力矩阵 + 四大技术栈攻坚 + 性能优化 Checklist + 实战项目预告随着大模型技术从实验室走向生产环境，Spring AI 凭借其与 Spring 生态的无缝整合能力，已成为企业级 AI 应用开发的事实标准。从基础的模型调用到复杂的 RAG 知识库、工具调用、多模态交互，再到生产级的安全防护与性能优化，Spring AI 提供了一套完整的技术体系，帮助开发者快速构建稳定、高效、安全的 AI 应用。

Java后端的Ai之路

【RAG技术】- RAG系统调优手段之GraphRAG（全局视野）摘要：你是否遇到过 AI 在面对“这篇文章的主旨是什么？”或者“19 世纪的艺术运动如何影响了 20 世纪？”这类宏观问题时显得力不从心？传统的 Naive RAG 往往只关注局部片段，而 GraphRAG 通过构建知识图谱和社区摘要，为 AI 开启了“上帝视角”。本文将带你深度拆解 GraphRAG 的原理、流程及进阶方案，更有 Python 代码实战，让你一文掌握这项前沿技术！

RAG(宠物健康AI)公司目前的 AI 问诊模块，对于专业知识的回答还有待提高，直接调用 LLM，回复的问诊可能并不满意，所以需要使用 RAG 索引加强。

LangChain 1.0 模型接口：多厂商集成与统一调用大语言模型 (LLM) 开发工程师 | 中国传媒大学 · 数字媒体技术（智能交互与游戏设计）CSDN · 个人主页 | GitHub · Follow

落霞的思绪

Spring AI Alibaba 集成 Redis 向量数据库实现 RAG 与记忆功能本文基于一个完整的 Spring Boot 项目示例，详细讲解如何使用 Spring AI Alibaba 框架集成 Redis 向量数据库，实现检索增强生成（RAG）和对话记忆功能。项目包含向量存储、文档加载、多模型配置、记忆管理等核心模块，适用于构建具备知识库检索和上下文记忆的 AI 应用。

LangChain 1.0 框架全面解析：从架构到实践大语言模型 (LLM) 开发工程师 | 中国传媒大学 · 数字媒体技术（智能交互与游戏设计）CSDN · 个人主页 | GitHub · Follow

Java后端的Ai之路

【RAG技术】- RAG系统调优手段之高效召回（通俗易懂附案例）在信息爆炸的时代，我们常常被海量数据淹没。如何从浩瀚的知识海洋中精准捞出我们想要的那一瓢水？这正是检索增强生成（Retrieval-Augmented Generation, RAG）技术的核心魅力。RAG就像一个超级图书馆管理员，它不仅能帮你找到书，还能根据书的内容为你总结答案。但如果这个管理员“召”回的书不对，那答案自然也就“生成”得不靠谱了。所以，今天我们就来聊聊RAG的“精准雷达”——高效召回策略，看看如何让你的RAG系统变成一个真正的“信息捕手”！

qKnow 知识平台核心能力解析｜第 03 期：结构化抽取能力全流程介绍在知识驱动应用越来越重要的今天，如何把分散、杂乱的数据，快速转化为“可用的知识”，成为很多企业和团队绕不开的问题。

大模型实战：大模型推理性能优化与成本控制实战在前面几篇里，我们把企业大模型应用从 0 搭到了「能跑生产」：但只要一上线，技术团队和老板都很快会问两个问题：

早点睡觉好了

重排序 (Re-ranking) 算法详解在传统的 RAG 流程中，向量检索（Retriever）通常返回 Top K（例如 5 个）文档给 LLM。然而：

Claude Code 逆向工程报告笔记（学习记录）Claude Code 用 “分层注入 + 可选上下文（system-reminder）+ 按需能力加载（skills）+ 隔离执行（sub-agent）” 把上下文工程系统化：既解决“上下文太长/指令过载”的工程问题，也试图把 prompt injection 风险隔离在可控边界内。原文分析见https://www.xiaohongshu.com/explore/697db619000000002103f9d8?app_platform=android&ignoreEngage=true&app_ve

跨平台Agent Skills开发：适配器模式赋能提示词优化与多AI应用无缝集成图片来源网络，侵权联系删。跨平台Skills开发系列“我的天气查询Skill在OpenAI上完美运行，迁移到通义千问却因提示词格式崩溃，Claude又要求XML包裹——难道每个平台都要维护一套代码？”

数据库全解析：从关系型到向量数据库，LLM 开发中的选型指南大语言模型 (LLM) 开发工程师 | 中国传媒大学 · 数字媒体技术（智能交互与游戏设计）CSDN · 个人主页 | GitHub · Follow

RAG智能体深度解析(一)RAG是一种结合了信息检索和文本生成的AI技术。它解决了大型语言模型（LLM）的一个关键限制：知识截止日期和领域专业知识的缺乏。

北京地铁1号线

5.1 RAG系统的自动化评测目录一、RAG评估的重要性与挑战为什么需要专门评估RAG？评估的四大挑战二、核心评估指标详解1. Faithfulness（忠实度/真实性）

【RAG】大模型RAG开发通⽤的基础⼤模型存在一些问题：1.LLM的知识不是实时的，模型训练好后不具备自动更新知识的能力，会导致部分信息滞后。

无名修道院

AI大模型应用开发-RAG 基础：向量数据库（FAISS/Milvus）、文本拆分、相似性搜索（“让模型查资料再回答”）RAG = Retrieval-Augmented Generation检索增强生成，核心逻辑是「让大模型先查 “专属资料”，再基于资料回答问题」。

CCPC不拿奖不改名

RAG基础：基于LangChain 的文本分割实战+文本分块适应上下文窗口: 这是最主要的原因。将长文档分割成小块，可以让我们在处理时只关注与用户问题最相关的部分。