rag

GraphRAG【部署 01】Linux环境安装部署GraphRAG并使用Ollama本地大模型话不多说，先上 GitHub 文档地址：https://microsoft.github.io/graphrag/get_started/，本次在 Linux 环境下进行一次安装测试，环境说明：

Day25：RAG检索+重排序保姆级入门！前面我们已经搞定了文档解析、文本分块、Embedding向量化、向量库，相当于把所有资料整理好、存进了智能图书馆。但很多人踩坑：明明资料存了，大模型还是答非所问，检索出来的内容驴唇不对马嘴！

Spring with AI (5): 搜索扩展——向量数据库与RAG(下)本文代码： https://github.com/JunTeamCom/ai-demo/tree/release-5.0 https://github.com/JunTeamCom/ai-demo-tools/tree/release-5.0/data-loader

Java后端的Ai之路

【AI应用开发】-怎么解决Lost in the Middle（中间迷失）现象？你有没有遇到过这样的场景：精心准备了一大段超长Prompt，把所有背景信息、约束条件、参考资料都塞给大模型，满怀期待地等待它的回答，结果发现——它完全忽略了中间那段最重要的内容？

一篇文章讲明白：RAG + MCP + Skills + LangChain + LangGraph目录先定总纲：五个技术的核心分工（一句话记住）一、RAG：检索增强生成（大模型的“知识库”）1. 核心问题：大模型的“天生短板”

Query 改写大模型测试的数据倍增器在大模型应用测试中，测试查询的覆盖面往往捉襟见肘。Query 改写（Query Rewrite/Expansion）作为"数据倍增器"，能从有限的原始查询衍生出语义等价但表达多变的变体，让测试数据集瞬间膨胀，覆盖更多边缘 case 和真实场景。

RAG系统构建全流程一、可直接复制使用的Mermaid流程图支持语雀、飞书、Markdown编辑器、简历工具等平台直接渲染，完整覆盖你QA里的全流程核心动作与质量管控闭环

行者无疆_ty

RAG 检索增强生成全解析 —— 从原理、流程、核心技术到工程化优化近年来，以 GPT、LLaMA、Qwen、GLM 为代表的大模型展现出惊人的语言理解、生成、推理能力。但在真实产业场景中，直接使用原生 LLM 往往面临四大不可逾越的问题：

Day22：RAG 王炸进阶！多格式文档 (PDF_Word)+ 多文档知识库搭建哈喽各位 AI 特工！之前咱们的 RAG 只能啃TXT纯文本，像个只会吃白米饭的小朋友～今天直接进化成饕餮巨兽！PDF、Word、TXT 通吃，批量文档一键入库，打造属于你的企业级私有知识库！

java1234_小锋

基于LangChain的RAG与Agent智能体开发 - RunnableLambda实现复杂多模型链路调用大家好，我是小锋老师，最近更新《2027版基于LangChain的RAG与Agent智能体开发视频教程》专辑，感谢大家支持。

RAG系统核心之意图识别与意图树实现全解析在大模型时代，RAG（检索增强生成）系统已成为企业级问答、智能客服等场景的核心架构。而支撑RAG系统“精准检索、高效响应”的关键一步，就是意图识别——它相当于RAG系统的“导航仪”，能快速判断用户问题的所属领域和具体话题，指引系统去对应的知识库中检索信息，避免“大海捞针”式的无效检索。

前端八股文面经大全：得物AI应用开发一面（2026-03-23）·面经深度解析【加精】大家好，我是木斯佳。相信很多人都感受到了，在AI浪潮的席卷之下，前端领域的门槛在变高，纯粹的“增删改查”岗位正在肉眼可见地减少。曾经热闹非凡的面经分享，如今也沉寂了许多。但我们都知道，市场的潮水退去，留下的才是真正在踏实准备、努力沉淀的人。学习的需求，从未消失，只是变得更加务实和深入。

Spring with AI (4): 搜索扩展——向量数据库与RAG(上)本文代码： https://github.com/JunTeamCom/ai-demo/tree/release-4.0 https://github.com/JunTeamCom/ai-demo-tools/tree/release-4.0/data-loader

大模型生成 QA Pairs 提升 RAG 应用测试效率的实践在测试大模型应用（如 RAG 系统）时，QA 对（Question-Answer Pairs）数据集是第一道防线。它用于验证模型的事实准确性、防范"幻觉"输出以及测试上下文理解能力。

元数据的介绍在 RAG（检索增强生成）系统中，仅将文档切分为纯文本块（Chunk）会导致以下严重问题：缺乏可信度（无法溯源）：用户询问规则依据时，系统只能回答内容，无法提供出处（文档名、章节、页码），导致答案缺乏公信力。

java1234_小锋

基于LangChain的RAG与Agent智能体开发 - LangChain调用嵌入模型大家好，我是小锋老师，最近更新《2027版基于LangChain的RAG与Agent智能体开发视频教程》专辑，感谢大家支持。

在未来等你

AI Agent Skill Day 11：RAG Retrieval技能：检索增强生成的技能封装【AI Agent Skill Day 11】RAG Retrieval技能：检索增强生成的技能封装在“AI Agent Skill技能开发实战”系列的第11天，我们聚焦于知识检索技能模块的核心能力——RAG（Retrieval-Augmented Generation）检索增强生成技能的封装。随着大语言模型（LLM）在开放域问答、智能客服、企业知识库等场景中的广泛应用，单纯依赖模型内部参数的知识已难以满足准确性、时效性和领域专业性的要求。RAG通过将外部知识库与生成模型动态结合，显著提升了回答的可靠性与

RAG加Text2SQL：自动生成接口测试脚本的完整流水线一个完整的接口测试用例由三部分组成：输入参数、测试步骤、预期结果。纯提示词工程可以解决"测试步骤"的生成——把 Controller 层代码输入给大模型，让它生成 JMeter 或 pytest 脚本骨架。但输入参数和预期结果依赖被测系统的私域知识（数据库数据、业务约束），大模型无法凭空生成。

需求条目化与RAG：让大模型生成测试用例真正可用的两把钥匙把需求文本直接喂给大模型生成测试用例，在简单场景下效果不错，但放到真实项目中会暴露两个根本性问题：问题一：需求质量参差不齐。需求管理系统里的需求有的是大段流水账，有的是一句话了事，大量业务细节靠口头共识传递。这种输入质量直接决定了大模型输出的上限。

java1234_小锋

基于LangChain的RAG与Agent智能体开发 - 使用LangChain调用聊天大模型大家好，我是小锋老师，最近更新《2027版基于LangChain的RAG与Agent智能体开发视频教程》专辑，感谢大家支持。