rag

PageIndex没翻车，翻车的是我的解析器测试日期：2026-10-02 测试环境：Docker+PageIndex Cloud SDK+FAISS+PyMuPDF+硅基流动API 测试文档：腾讯控股2024年度年报（274页，繁体PDF）

Web3&Basketball

LlamaIndex+BGE 重排：RAG 从噪声到可信关键词：RAG、向量召回、Cross-Encoder 重排、BGE-reranker、LlamaIndex、生产级检索

【RAG面试系列】工程落地前面我们已经讲解了【RAG面试系列】基础概念、【RAG面试系列】检索优化、【RAG面试系列】生成和融合，接下来我们来聊聊 RAG工程落地。

向量索引也要治理：RAG 系统里“原始数据已作废、向量仍可检索”怎么解RAG 上线后最典型的失效不是模型答错，而是检索层悄悄失效：原文改了向量没改，原文删了向量还在，索引漂移无人发现。本文把向量索引当作一类受管数据资产，拆出索引生命周期、向量权限合规、检索质量闭环三大工作项，给出六张可直接套用的清单与巡检表。

【FDE系列】阶段3：Day 65：向量数据库入门 — Chroma 与本周收官【大纲】FDE 前沿部署工程师学习系列教程-CSDN博客见文档结尾附录。FDE 学习系列教程 · 第三阶段 · 第 9 周 · Day 5（收官）预计时长：3.5 小时 | 难度：★★★★☆ | 前置知识：Day 61-64（RAG 链路、BGE-M3、文档解析、文本分块）对标大纲课时：3.2.5 向量数据库 —— 选型对比：大规模用 Milvus，已有 PG 用 PGVector，快速原型用 Chroma，高性能用 Qdrant（本周收官）

【FDE系列】阶段3：Day 68：重排序 — 用 BGE-Reranker 把真正相关的顶上来【大纲】FDE 前沿部署工程师学习系列教程-CSDN博客见文档结尾附录。FDE 学习系列教程 · 第三阶段 · 第 10 周 · Day 3 预计时长：3 小时 | 难度：★★★★☆ | 前置知识：Day 61-67（RAG 链路、BGE-M3、向量库、混合检索）对标大纲课时：3.2.7 重排序 —— Cross-encoder Reranker、Cohere Rerank、BGE-Reranker（大纲推荐工具：BGE-Reranker、Cohere Rerank） 📌 一句话目标：把 Day 67

AI 从「能生成」到「能交付」：2026年9月智能体（Agentic）成为产业主线的多源证据与开发者应对清单本文引用的模型规格、榜单分数、奖项名称、运行时长与案例数据，均来自 CSDN、掘金、GitHub 等平台的公开报道或社区内容，统一标注为「报道口径」，不代表厂商或机构官方口径。部分来源之间存在发布时间、版本号与统计周期不一致的情况，正文会在相应位置单独说明。文中出现的第三方评测分数、获奖表述与实验数据尚未见到一手发布材料或第三方复现，请以官方后续材料为准。

向量数据库选型实战：Chroma/Qdrant/Milvus/PgVector 怎么选**一句话讲清楚：**RAG、Agent记忆、推荐系统背后都靠向量数据库做语义检索。但Chroma、Qdrant、Milvus、Redis Vector、PgVector到底怎么选？这篇从原理到选型逻辑一次讲透。

AI你一生一世

当广告采集器成为大模型的“眼睛“：跨站上下文注入的架构与代价我是AI时代的无业游民，我游荡在现实与意念之间过去一年，一个微妙的变化在浏览器与对话式 AI 之间发生：你在电商站点浏览过的商品、在技术论坛停留过的页面、在新闻站滚动过的段落，正以某种"广告采集"的名义，被汇聚进对话模型的上下文里。用户打开 ChatGPT 提问时，它给出的回答已经不只是基于你刚刚输入的那句话，而是叠加了一层来自其他站点的行为画像。

AI你一生一世

Attention is all you have：当上下文成为唯一的护城河我是AI时代的无业游民，我游荡在现实与意念之间过去两年，主流大模型的上下文窗口从 8K 一路推到 1M 甚至 10M token。表面上看，这是"能塞更多文档"的工程红利；但在真实系统里，它带来的第一个问题不是性能，而是决策逻辑的崩塌。

Dify 知识库 RAG 实战：把 100 页手册变成会回答的 AI原文链接：Dify 知识库 RAG 实战：把 100 页手册变成会回答的 AI上一篇《30 分钟跑通 Dify：Docker 一键部署，5步上线首个AI应用》把环境搭起来之后，紧接着的问题很实际：公司那本一百来页的产品手册，怎么让它自己回答问题？

TB级文本去重实战：从单机 OOM 到 Spark / Ray 分布式架构的工程演进适合谁：需要构建离线训练语料去重、并对删除结果承担审计责任的数据平台团队。默认策略：精确去重后，以字符 5-gram + MinHash LSH 找候选、真实 Jaccard 验证、连通分量选代表。不自动覆盖：热点桶、短文、超长文只保留并报告覆盖缺口。

智码看视界

Edge AI 全栈实战 ④：向量数据库 + RAG 让 IoT 诊断拥有“记忆“① 篇：ESP32 → MQTT → 云端（能通） ② 篇：ESP32 → MQTT → Flink → 实时管道 + 异常检测（生产级） ③ 篇：② + 异常时调 LLM 生成诊断（会思考） ④ 篇：③ + 向量库存历史诊断，检索增强（有记忆） ← 本篇

2026 年大模型热门教程盘点：从 Prompt、RAG 到 Agent，到底该先学什么先放一句得罪人的话：2026 年网上最热的 AI 教程，一半在教「怎么用」，一半在教「怎么赚」，真正教你「怎么把模型落到业务里不崩」的，还是少数。这一年大模型教程热到什么程度？B 站、CSDN 上「2026 大模型学习路线」「AI Agent 实战」类视频动辄几十万播放，教程封面清一色「学完即就业」「薪资翻倍」。但热度高 ≠ 学得对。本文不卖课，只把 2026 年真正值得跟的热门教程方向、为什么热、以及最容易踩的坑讲清楚。你正在跟的教程，在不在下面这张图上，评论区说。

AI 时代，MOM（制造运营管理系统）该如何演进？中AI 时代，MOM（制造运营管理系统）该如何演进？——从零设计一套适配多品类产线的通用 MOM 架构04　架构全景（六层 + 两横切）

Java的搬运工

生产级 RAG 检索调优：BM25 + 向量混合检索与 Cross-Encoder 重排序 (Rerank)在生成式 AI (RAG) 系统落地生产环境的过程中，绝大多数团队遇到的第一个性能瓶颈，就是检索召回率（Recall）与精确度（Precision）的矛盾。

RAG实战-Embedding模型（BGE）想象这样一个场景：你是一家企业的知识库管理员，库里躺着几十万份技术文档、产品手册和售后记录。用户抛来一句口语化的问题——“上次那个接口超时的问题最后怎么解决的？”——你需要在几秒内从海量文档里捞出最相关的那几段，交给大模型组织成答案。

像风一样自由2020

42.VueReactNextjs如何为AI应用设计前端交互码海寻道 · 大模型、智能体与 RAG 工程组件系列第 42 篇AI 应用的前端不是把一个输入框和 Markdown 输出拼在一起。它还要处理流式文本、工具调用、引用来源、任务进度、错误重试、取消生成和多轮会话。Vue、React 和 Next.js 都能实现，关键是先设计交互状态和后端协议。

像风一样自由2020

41.用FastAPI搭建一个RAG后端需要哪些接口码海寻道 · 大模型、智能体与 RAG 工程组件系列第 41 篇一个 RAG 后端不只是一个 /chat 接口。要支持文件上传、异步解析、知识库管理、问答、引用、任务状态和权限控制，应该先设计清楚资源和接口边界，再接入模型与向量数据库。