rag

【Agent笔记 | 第三篇】RAG优化目录1. 为什么要加 Rerank（重排）？2. Recall@K 和 Precision@K 怎么取舍？

填满你的记忆

《RAG 完整工作流程详解》在前一篇文章中，我们聊了什么是 RAG 以及为什么它会成为当前企业级 AI 项目的“标配”。简单来说，RAG 就是让大模型在回答问题前先“开卷翻书”。

2026 年 AI 开源生态全景图数据来源：GitHub API | 采集日期：2026-05-27 | 所有数据可查证

九、LangChain之核心组件--（7）文本向量（下）在 LangChain 中，实际并不需要我们直接手动调用嵌入模型去生成向量，然后手动去比较向量。在我们之前提供的 RAG 知识地图中，存在一个 Vector Stores 向量存储，如下图所示：

30｜什么时候需要 RAG：直接 Prompt/微调/RAG 的决策欢迎来到卷 4：知识与数据。在前面的章节里，我们赋予了 AI 思考的框架（Prompt）和行动的手脚（MCP/Skills）。但如果现在你问 AI：“咱们公司昨天发布的新产品，退款政策是什么？”它一定会胡编乱造。为什么？因为它脑子里只有它被“训练”时（通常是一年甚至更久以前）互联网上的公开数据，它完全不知道你们公司的内部机密和最新动态。

RAG系列：#5 RAG中的11种分块策略原文：https://mp.weixin.qq.com/s/Yax05qsVj1tXi77za8Wm2g 欢迎关注公zh: AI-Frontiers

10. 向量数据库常用检索算法摘要：这是一篇关于向量数据库核心检索算法的技术博客，主要面向计算机专业学生或开发者。文章深入解析了从暴力搜索到近似最近邻（ANN）的演进，重点对比了IVF（倒排文件索引）和HNSW（分层导航小世界）两种主流算法的原理、核心参数及适用场景，旨在帮助读者理解算法背后的工程权衡，以便在实际业务中进行合理选型。

小新同学^O^

简单学习 --＞ Rag在计算机架构中，CPU 的算力再强，也受限于 L1/L2 缓存和内存的大小。LLM（大语言模型）同理：它的权重矩阵（模型本身）相当于只读存储器（ROM），而它的上下文窗口（Context Window）相当于极其昂贵的运行内存（RAM）。

完整学习LLM(五):Embedding是什么,为什么文本能变成向量好家伙, 先贴一篇好文章 https://developers.openai.com/api/docs/guides/embeddings (openai团队写的,值得信赖)

2026最新RAG面试题集：45问覆盖全链路核心答案：RAG（Retrieval-Augmented Generation）的核心思想是在大模型生成回答之前，先从外部知识库中检索相关信息，将检索结果作为上下文注入Prompt，引导模型基于事实生成回答。其工作流程分为两大阶段：

这是谁的博客？

RAG 技术原理深度解析：检索增强生成架构与实践RAG（Retrieval-Augmented Generation，检索增强生成）是当前大语言模型应用的核心架构，通过外部知识检索与生成模型结合，显著提升 AI 系统的准确性、时效性和可控性。本文深入解析 RAG 的核心原理、架构组件、分块策略、检索优化、高级技术及评估方法，帮助开发者构建生产级 RAG 系统。

MCP工具实战使用指南文档说明：详细解答MCP工具的配置、下载、使用等实际操作问题。答案：❌ 不完全正确MCP配置文件有两个可能的位置：

程序员三明治

【AI】Tika：一次文档解析引擎的工程实践去年我接到一个任务：为公司内部知识管理平台搭建文档入库能力。需求很直白——用户上传各种格式的文件（PDF、Word、PPT、Excel），系统自动提取文本，灌入检索引擎，支撑后续的语义搜索和智能问答。

大厂Java面试实录：Spring Boot/Cloud、Redis+Kafka、JVM调优与RAG/Agent（Spring AI）三轮递进问答你应聘的是某互联网大厂电商+内容社区（UGC）业务线，近期在做 AIGC 智能客服（知识库问答 + 工单流转）。技术栈以 Java/Spring 生态为主：

一条泥憨鱼

让AI从“死记硬背”到“开卷考试”：详解RAG技术的奥秘🌈个人主页:一条泥憨鱼(欢迎各位大佬莅临)🎬精选专栏:数据结构与算法，JavaSE ,苍穹外卖日记，AI学习

深入理解 RAG（检索增强生成）：核心流程、技术选型与进阶实战RAG 全称 Retrieval-Augmented Generation，检索增强生成，是目前企业落地 AI 应用最核心、最主流的技术方案。

LangChain 实践极简个人知识库问答机器人&自定义大模型封装+通用对话链内容：Model I/O、Prompt/OutputParser、自定义LLM/ChatModel、RAG全链路、多向量检索、Self-querying、MMR、结构化Agent、Function Call Agent

不懂的浪漫

RAG 后端接口设计：为什么 ingest 要异步，query 要同步？做 RAG 后端时，很容易把接口设计想得太简单：一个接口负责导入文档，一个接口负责提问回答。看起来没问题，但真正落到工程里，ingest 和 query 其实是两类完全不同的 API。

一条泥憨鱼

能够让AI做事的“Skill“有什么奥秘🌈个人主页:一条泥憨鱼(欢迎各位大佬莅临)🎬精选专栏:数据结构与算法，JavaSE ,苍穹外卖日记，AI学习

【Spring AI 集成 DeepSeek 实现 AI 摘要与 RAG 问答】：从原理到落地实践🔥你好我是fengxin_rou这是我的个人主页fengxin_rou的主页❄️欢迎查看我的专栏我的专栏