rag

像风一样自由2020

23.OCR在知识库中的作用扫描件和图片文字如何进入RAG码海寻道 · 大模型、智能体与 RAG 工程组件系列第 23 篇扫描合同、发票、纸质制度、现场照片和流程图，通常没有可直接检索的文本层。OCR 的作用，就是把图像中的文字识别出来，再把识别结果接入解析、切分、向量化和检索链路。

梦想不只是梦与想

大模型系列（三）：提示工程、RAG 与 Agent大模型的使用方式可以分成三个层次，难度递增，能力也递增。提示工程就是设计有效的输入（Prompt），让模型输出想要的结果。

RAG Embedding 模型替换与索引回归摘要：《RAG 向量索引重建与回归》把索引包做成带指纹的版本制品后，下一步常是把演示用的 TF-IDF 换成真实 Embedding 模型。换模若只改配置名、不重建索引、不做双层回归，变体问法会悄悄退步。本文用同一套题集与闸门口径，演示从 tfidf_cosine_v1 替换到定长哈希 Embedding（接口对齐真实模型），并给出弱模型替换被阻断的对照；标准库即可跑通，上线时只替换向量层实现。

程序员柒叔

Dify -- 定时任务系统api/schedule/ 是 Dify 的定时任务中枢，基于 Celery Beat 调度器定义所有周期性后台任务。每个文件对应一个独立的 Celery 任务，通过 api/extensions/ext_celery.py 中的 beat_schedule 注册触发频率，并由功能开关（dify_config.ENABLE_*）控制是否激活。

大模型工程化实战（八）：OTel + LangFuse 全链路 Trace——把网关、护栏、SchemaGate 全部打点串起来，出问题一眼定位到环节凌晨一点，schema_validation_exhausted 这条结构化告警第三次亮起。下游没崩、没有 500，可“为什么偏偏这单走兜底”连我也答不上来：网关日志显示主路超时、重试 2 次兜到 gpt4；护栏日志显示 medium 风险 strip 放行；SchemaGate 日志显示缺“金额”字段、类型错、重试耗尽。三份日志都对，时间戳也对得上，人肉拼了两小时才凑出因果链。全链路 Trace 治的就是这个毛病：可观测不等于“每环节都打日志”，得把第 5 篇《LLM 网关选型》、第 6 篇《OWASP

智能客服实践：微调+RAG双引擎架构落地在企业垂直问答、智能客服落地场景中，单一微调或纯RAG架构均存在明显短板：小样本微调泛化性存疑、无法适配动态数据；纯RAG检索精度不足、固定话术回答生硬。

智能体Agent性能优化从原理到实战文章定位：CSDN爆款技术博文，面向大模型应用开发者、算法工程师、Agent落地从业者；覆盖RAG优化、提示词工程、工具调用、记忆机制、多智能体协作、成本延迟优化、评测体系七大维度，附完整可运行代码与踩坑总结。复制全部内容保存为.md直接粘贴CSDN编辑器即可发布，图片位置标记【图X：xxx】，用Mermaid或AI绘图生成对应图插入即可。

LlamaIndex 系列【21】语义检索（Semantic Search）BM25、TF‑IDF 都属于关键词检索（词法检索），只做字面词汇匹配：关键词检索只在乎单词是否出现过，并不读懂文字背后真正的语义。想要解决这个短板，就要依靠语义检索。

LlamaIndex 系列【20】关键词检索（Keyword Search）：BM 25 算法BM25 是生产环境标准关键词检索算法，ElasticSearch 默认的关键字检索算法是就是 ‌BM25‌（Best Matching 25），从 5.x 版本开始取代了早期的 TF-IDF，成为默认的相关性评分算法。‌‌

RAG 向量索引重建与回归摘要：《RAG 关键词检索与向量检索的切换边界》给出了切换建议，《RAG 文档更新后的全链路闸门验收》把五段闸门串成发布流水线。真正启用向量检索后，文档与扩展表一变，旧索引包仍在线上服务，变体问法会悄悄退步。本文说明如何把向量索引做成可版本化的索引包：写入文档指纹与扩展表指纹、检测漂移、重建后做原话层与变体层回归，并用闸门输出 VECTOR_INDEX_ALLOWED 或 VECTOR_INDEX_BLOCKED；标准库即可跑通。

虎虎(_　_)。゜zｚＺ

Qdrant向量数据库工程实战做 RAG 检索增强生成，向量库是绕不开的一环。市面上选择不少——Chroma 轻量但扛不住并发，Milvus 功能全但部署重，pgvector 复用 PostgreSQL 但检索性能有天花板。

治理知识库构建：用 RAG 把制度、文档、经验变成 AI 能力绝大多数企业的治理能力，都死在「文档堆积、经验流失、制度没人看、规范没人懂」。企业沉淀了海量制度文件、治理规范、数据标准、操作手册、复盘经验，但全部躺在网盘、Wiki、共享文件夹里，无法检索、无法落地、无法赋能业务。

LlamaIndex 系列【14】数据接入流水线（IngestionPipeline）数据接入流水线（IngestionPipeline）是指 LlamaIndex 中专门用来把原始文档变成可检索 Node 的一站式处理链路。

武哥聊编程

【AI实战项目】基于LangChain4j+Springboot+Vue+RAG+PGVector的AI智能客服与工单处理系统该项目资料获取请点击上方⬆️卡片，然后进入【AI实战库】板块即可搜索到。B站演示视频 https://www.bilibili.com/video/BV1pEhV64ERV

企业知识库 RAG 从 62% 到 91%:分块策略、混合检索与重排序的调优全记录之前面试时我发现一个尴尬的事实:会调 ChatGPT API 的人太多了,但能把自己做过的项目讲出"实验—对比—结论"的人很少。面试官最爱问的一句话是:“你这个准确率是怎么来的?提升是靠感觉还是靠实验?”

大模型工程化实战（七）：JSON Schema 强约束——模型吐的 json 不合规？schema 校验不通过，重试、兜底、降级一条龙客服 AI 念身份证的事过去一周，脱敏闸挂上了，泄露是不泄露了。可上线第四周，数据组来拍桌子：模型把“金额”吐成字符串 “¥1,234”（schema 要的是 number），“是否退款”整个字段丢了，还自作主张加了个 schema 里根本没有的“运费”。下游 json.loads 直接崩，pandas 读出来一片 NaN。

weixin_44021329

Agent‑RAG 处理复杂 PDF：从 Demo 走向生产级摘要：在 RAG 项目开发中，直接把 PDF 转纯文本再切片，是 Demo 级别的简单做法。面对真实业务 PDF：多栏排版、表格、扫描件、图表、合同层级页眉页脚，简单文本切片会带来上下文断裂、表格信息损坏、无法溯源等一系列问题。本文梳理工业界 Agent+RAG 处理 PDF 的四层架构，讲清楚生产环境 PDF RAG 完整落地思路，同时说明如何规避大模型幻觉问题。

六、LangChain——StrOutputParser和JsonOutputParser以第一次模型的输出结果，拿去第二次询问模型现在需要：chain = prompt | model | model，参与链的构建的组件完全符合要求，但运行会报错 ValueError: Invalid input type <class 'langchain_core.messages.ai.AIMessageChunk'>. Must be a PromptValue, str, or list of BaseMessages.

像风一样自由2020

17.Milvus如何完成一次向量相似度检索码海寻道 · 大模型、智能体与 RAG 工程组件系列第 17 篇在 RAG 项目里，“向量检索”经常被一句 search() 代码带过。但要真正排查召回为空、结果不准和延迟升高，必须理解一次检索内部发生了什么。

大语言模型基础：Token、Embedding、Transformer、KV Cache 与 RAG理解大语言模型，可以先记住两条主线：大语言模型并不是直接以“汉字”或者“英文单词”为单位处理文本，而是先通过 Tokenizer（分词器）将文本切分成一个个 Token。