rag

海棠AI实验室

图书馆版 RAG 系统：从馆藏到知识问答的一条完整链路某图书馆的技术会议上,馆长抛出了一个令人不安的问题：“我们刚花300万采购的知识库,学生们现在都在用DeepSeek,我们的投资还有意义吗?”

【AI论文速递】RAG-GUI：轻量VLM用SFT/RSF提升GUI性能🔖 论文标题：Retrieval-augmented GUI Agents with Generative Guidelines 📅 发布时间：2025年9月29日 🌐 Arxiv ID：arXiv:2509.24183v1 🔑 关键词：GUI Agents（图形用户界面智能体）, Retrieval-augmented Generation（检索增强生成）, Vision-Language Models（视觉语言模型）

AI入门之GraphRAG企业级部署性能优化策略：从索引到检索的全链路提效实践图片来源网络，侵权删在企业级知识管理与智能决策场景中，GraphRAG（基于知识图谱的检索增强生成）已成为处理百万级文档、实现复杂推理的核心技术。然而，其性能瓶颈（如索引构建慢、检索延迟高、增量更新成本高）仍是企业规模化部署的关键挑战。本文结合最新技术实践（如LightRAG、E²GraphRAG、悦数Graph RAG等），从索引优化、检索加速、增量更新、硬件适配四大维度，系统阐述GraphRAG在企业级部署中的性能优化策略，并通过真实案例验证其效果。

【Java手搓RAGFlow】-1- 环境准备我们之前使用过RAGFlow RAGflow项目地址：https://github.com/infiniflow/ragflow

【Java手搓RAGFlow】-3- 用户认证与权限管理在构建任何一个成熟的RAG系统之前，一个稳定可靠的用户认证与权限管理模块是必不可少的基础设施。它能确保系统的安全性，保护用户数据，并为后续的个性化服务和资源隔离打下基础。上一章我们已经搭建好了项目的基础骨架，现在，我们需要亲手为它填充上认证与权限管理的核心功能。

LlamaIndex PromptTemplate 全面解析在构建 RAG（Retrieval-Augmented Generation）系统、企业知识库助手或 Agent 自动化流程时，Prompt 设计始终处于核心位置。Prompt 是大型语言模型（LLM）行为的控制器，通过清晰、结构化的提示词，开发者能够让模型在限定信息范围内回答问题、执行工具调用，或以稳定方式进行推理。

RAG系统学习之——RAG技术详解与实战指南在深入了解RAG（检索增强生成）技术之前，我们需要先理解为什么这项技术会出现，以及它解决了什么问题。知识截止时间问题

qKnow 知识平台开源版 v1.0.3 发布：Docker Compose 部署 & 多项稳定性优化和关键问题修复qKnow 知识平台开源版 v1.0.3 是继首个正式版本后的又一重要迭代，本次更新聚焦系统稳定性提升、部署体验优化以及关键问题修复。在保持核心知识管理能力的基础上，我们进一步打磨产品细节，提升开发与使用效率，为用户带来更流畅、可靠的平台体验。

RAG系统中的文本分块技术：从基础策略到智能分块的深度解析“文本分块是RAG系统的神经中枢，决定着知识检索的精度与效率。”在RAG系统中，文本分块是连接文档加载与向量检索的关键桥梁。其核心价值体现在两个维度：

检索增强微调（RAFT）如何重塑慢病健康管理？——从技术原理到落地实践图片来源网络，侵权联系删。慢性病（如高血压、糖尿病、冠心病）已成为全球主要健康负担，中国慢病患者超4亿人，但管理率不足30%。传统健康管理依赖医生经验与静态指南，难以实现个性化、动态化干预。2024年起，检索增强微调（RAFT）技术开始在医疗AI领域崭露头角——它将大模型的泛化能力与患者个体数据深度融合，在保障隐私前提下实现“千人千面”的慢病管理。本文将系统解析RAFT如何解决慢病管理中的三大痛点：知识滞后、个性化不足与数据孤岛，并通过真实代码案例展示其工程落地路径。

AI入门知识之RAFT方法：基于微调的RAG优化技术详解图片来源网络RAFT（Retrieval-Augmented Fine-Tuning，检索增强微调）是一种结合检索增强生成（RAG）与监督微调（SFT）的新型训练方法，旨在提升大型语言模型（LLM）在特定领域RAG任务中的性能。其核心目标是通过模拟“不完美检索环境”（即训练数据中包含相关文档与干扰文档），让模型学会识别并利用有效文档，同时忽略无关干扰，从而在真实RAG场景中生成更准确、可靠的答案。

PANDA：通过代理型 AI 工程师迈向通用视频异常检测PANDA: Towards Generalist Video Anomaly Detection via Agentic AI Engineer NIPS’25 西安电子科技大学；新加坡国立大学 Show Lab

一个帅气昵称啊

在.NET中使用RAG检索增强AI基于Qdrant的矢量化数据库推荐参考NetCoreKevin框架的使用案例，这是一个.NET Core项目，提供了AI和矢量化数据库集成的示例。项目地址如下：

陈果然DeepVersion

Java大厂面试真题：从Spring Boot到AI微服务的三轮技术拷问面试官（推了推眼镜，面无表情）：请坐。我们开始吧。战五渣（紧张地搓手）：好、好的！我准备好了！面试官：假设我们要开发一个高并发的电商平台，为什么选择 Spring Boot 而不是传统的 Spring MVC？