rag

Agent Skills知识库检索比RAG强吗？技术原理拆解近一年里，AI知识库这个话题被聊烂了，但很多人没注意到，知识库检索这件事底下分了两条路：一条是传统 RAG（检索增强生成），另一条是最近越来越多产品在用的 Agent Skills 方式。两条路的实现逻辑差别很大，适合的场景也不一样。

GitHub 开源项目解析：microsoft/markitdown —— 面向 LLM 的多格式文档转 Markdown 工具在大模型应用开发中，文档解析是一个绕不开的问题。无论是构建 RAG 知识库、企业文档问答、智能搜索，还是把 PDF、Word、PPT、Excel、网页、图片、音频等资料交给 LLM 分析，第一步通常都是：将各种复杂格式转换为模型更容易理解的文本。microsoft/markitdown 正是为这个场景设计的开源工具。

企业级多agent知识库系统｜超值源码+资料MindCrew 智能知识平台｜企业级多 Agent 知识库系统｜Agentic RAG+Multi-Agent+MCP｜源码交付一套基于 Agentic RAG + Multi-Agent Crew + MCP 的真正可以商用的企业级知识库系统，支持音频pdf等格式上传，还有音频溯源，性格设定，模型切换（可自定义添加模型）等。

6.LangChain--RAG当前对于大部分人来说我们利用LLM都是进行AI搜索来帮助我们进行知识的获取与总结。用一个租房项目的本地文件为知识库的一个案例演示。

6.1RAG--文档加载器LangChain ⽂档加载器可以将各种数据源加载成⼀系列的⽂档对象 DocumentMarkdown文档类型：

干掉幻觉实战：如何构建企业级知识图谱增强 RAG本文约 7200 字，读完大约需要 18 分钟如果你在生产环境部署过 RAG 系统，一定踩过这样的坑：

LightRAG知识库https://github.com/HKUDS/LightRAGhttps://www.cnblogs.com/JentZhang/p/18801719

RAG系列：#6 一文搞懂RAG存储技术：文件、元数据、切片、向量原文链接：https://mp.weixin.qq.com/s/gs-yR2R-ZTJeYx0r2ow1PA

菜到离谱但坚持

零门槛学LangChain：AI开发从入门到实战很多新手想学AI应用开发，却被大模型、向量数据库、链式调用这些名词劝退！今天用最通俗的大白话、零门槛思路，带你吃透LangChain核心知识，搭配可直接运行的实战代码，零基础也能轻松做出专属AI应用✨

智慧物流+AIGC客服Java大厂面试：Spring Boot、Kafka、Redis、JVM与RAG Agent实战小Y号称“八年Java经验，精通高并发、微服务、AI大模型落地”，今天来到某互联网大厂面试。面试岗位是：智慧物流与AIGC智能客服平台 Java 后端工程师。

个人学习助手 DeepTutor：把论文检索、做题和学习规划一次打通别的不说，现在 AI 学习工具也开始卷出「家教界六边形战士」了。前脚还在手动整理笔记、翻论文、刷题找答案，后脚 DeepTutor 就直接把「学习」这件事做成了全自动流水线。

敲个大西瓜

RAG(二)PGVector 是 PostgreSQL 的向量扩展，让 PostgreSQL 直接支持向量存储和相似度搜索。 PGVector 给 PostgreSQL 加了一个新的数据类型 VECTOR，可以在普通的表里加一列向量，然后对这列向量做相似度搜索。运算符距离类型适用场景 <-> 欧氏距离（L2）坐标空间，对向量幅度敏感 <=> 余弦距离文本语义搜索首选，只看方向不看幅度 <#> 内积（负数）向量已归一化时等效于余弦距离文本 RAG 场景几乎都用余弦距离。原因是：不同长度的文本，Embedd

不爱洗脚的小滕

【RAG】Milvus 混合检索参数调优：ef / candidate_k / final_k 详解若两路各取 5 条，真正相关的结果 X 在稠密路排第 6，RRF 融合时根本看不到 X，导致好结果被漏掉。candidate_k 放大后，X 参与融合，最终得分提升，有机会进入 top-k。

RAG 加速指南：Faiss / Milvus / Qdrant 向量库选型与调优三大主流向量数据库深度实测，附 Docker 一键部署配置与性能调优参数向量数据库是 RAG（检索增强生成）系统的核心基础设施。当你的知识库从几千条增长到百万、千万级时，向量检索的性能瓶颈就会彻底拖垮你的 AI 应用响应速度。

LangChain 实践4： 7个人AI助手全栈项目：完整拆解+分阶段开发指南本项目是一个从零搭建的全栈AI实战项目，覆盖大模型应用开发全链路核心技术。下文结合项目整体架构、功能模块与落地流程，拆解出7个递进式开发阶段，按照规划逐步开发，即可完成从本地调试到线上部署的完整流程。

程序员三明治

【AI】RAG 数据分块（Chunk）策略与实践本文面向正在建设 RAG 知识库问答系统的开发者，围绕“为什么需要分块、如何设置 chunk_size 与 overlap、常见分块策略如何选择”展开说明。示例场景统一替换为在线教育平台的课程预约与教务服务知识库；技术链路、参数权衡和性能优化思路保持不变。

长亭百智云：全新一代AI基础服务平台深度解读长亭百智云（baizhi.cloud）是由长亭科技推出的全新一代 AI 基础服务平台，定位为面向开发者和企业的一站式 AI 能力中心。平台目前提供 14 个在线产品，涵盖 API、模型、能力型服务等多种形态，可直接作为底层能力接入业务系统，帮助团队快速构建 AI 应用而无需从零搭建基础设施。

不爱洗脚的小滕

【RAG】召回（Retrieval）与重排（Rerank）核心技术要点汇总在检索增强生成（RAG）架构中，召回与重排处于不同的阶段，承担不同的职责：在工业级高并发场景中，禁止在业务代码中直接同步加载模型推理，主流做法分为两类：

视频 RAG 中分块策略：基于停顿、滑动窗口与基于 LLM 的方法文本的RAG我们都已经很熟悉了，但是如果数据以原始视频转录文本的形式存储，没有合适的时间结构，那么相比标准的 PDF 或文本文档，如何检索视频里面的内容呢？针对同样的问题还可以换一个更高层次的问法：

理解 RAG 的“为什么”与 Spring AI 实战初体验任何大模型都有两个硬伤，不解决就没法直接回答很多真实问题：训练截止日期模型的知识来自训练数据，训练完成那一刻知识就凝固了。问它“上周的股价是多少”，答不了；问它“最新政策有什么变化”，也答不了。