rag

周航宇JoeZhou

JP3-2-3-MyItem智能业务Java道经 - 项目 - MyItem - 智能业务心法：MyItem 智能业务均在 com.joezhou.agent 包下开发，物理隔离。

70.高级RAG-混合检索器（BM25和向量检索，RRF、归一化分数、DBSF公式详解，融合排序）内容参考于：图灵AI大模型全栈检索器是用来从知识库或向量数据库中查找相关文本的东西，然后再交给大语言模型生成答案

从本地生活电商到 AI RAG：互联网大厂 Java 面试场景完整实战场景设定：某互联网大厂正在招聘 Java 后端开发，业务线是本地生活服务 + 电商 + 智能客服（AIGC & RAG）。面试官老王是技术严谨的架构师，候选人小Y是号称“全栈+AI”的程序员，但其实有点水。

【AI应用开发】 RAG篇（四）：Prompt 工程与进阶技术前几篇搞定了怎么存、怎么搜，本篇进入 RAG 的"最后一公里"——Prompt 工程和进阶优化技术。检索结果再好，Prompt 写得烂，答案是垃圾；检索质量卡在瓶颈，不上混合检索和查询优化，天花板就是 70 分。

RAG/Agent 记忆混合检索多路召回：RRF 算法与Chunk RRF、Document RRF如何决策TopK单个 Chunk 相关，不代表整篇文档可信；同一文档命中多个 Chunk，也不代表应该把它们全部交给 LLM。企业级 RAG 的答案通常不是 Chunk RRF 和 Document RRF 二选一，而是“Chunk 召回、Document 聚合、集合级重排”的分层排序。

叫我Paul就好

RAG 入门到精通 - Rerank & Hybrid Search在前两天的版本中，我一直在重复地进行评估 - 补数据 - 重建数据集。看上去像是在告诉大家只要数据整好了，RAG就可用了。但是，真实情况不是这样。

大模型Agent面试攻略：落地工程痛点、评估体系与Agentic RAG核心精讲目录一、Agent落地核心：深度技术实现与状态管理1、如何解决多轮对话状态爆炸、上下文溢出？2、如何保证Agent工具调用的可靠性？

RAG 实战教程：从零构建企业智能问答 Agent完整代码地址：https://github.com/ziyifast/Demo/tree/main/1-AI/RAG-Knowledge-Base

向量数据库从零到实战：用 Milvus + Zilliz 构建 AI 日记语义检索系统本文带你从零理解向量数据库的核心概念，通过一个完整的 AI 日记本项目，手把手学会用 Milvus 向量数据库和 Zilliz Cloud 云服务，实现语义搜索和 RAG（检索增强生成）。

【AI应用开发】 RAG篇（三）：文档切分与多路检索前两篇我们讲清了 RAG 的整体架构和向量检索原理。但这远不足以让系统"好用"——一条最容易被忽视却最为致命的链路是：文档切不好，检索等于白做。

【AI应用开发】 RAG篇（一）：概述与核心架构现在大模型落地业务，90% 的企业场景都会优先上 RAG（检索增强生成）。不管是知识库问答、智能客服还是私有文档助手，RAG 都是绕不开的核心方案。

RAG与向量数据库介绍主题: RAG与向量数据库介绍时间: 2026-07-27 23:03:14本次讨论围绕向量数据库与RAG技术原理展开，涵盖了向量数据库的核心功能、RAG的工作流程及其在解决大模型幻觉问题中的关键作用，系统阐述了二者在AI应用中的协同机制与工程价值。

上篇：从PDF到向量库 — 物流行业RAG系统的知识库构建全解析物流行业涉及大量非结构化文档：运单规则、时效说明、理赔条款、仓储操作手册等。这些知识频繁更新，且属于企业内部私有数据，通用大模型无法覆盖。

程序员三明治

【AI】RAG 生成阶段的最后一公里：Prompt 设计、幻觉抑制与引用对齐这也是 RAG 最容易被低估的一段链路。团队往往会花大量时间调分块策略、Embedding 模型和 Top-K，却把生成阶段理解成“把检索结果交给大模型总结一下”。系统刚开始演示时可能没有问题，一旦进入复杂业务，错误很快就会暴露出来：模型会补充资料中不存在的细节，会把不同文档的规则拼在一起，甚至会直接用预训练知识覆盖知识库中的明确结论。

【02】Context Engineering：Prompt不再是核心目录Context Engineering：Prompt不再是核心01｜Prompt 不是消失了，而是退到了最后一层

RAG 流水线设计：Eino 的 Loader → Transformer → Indexer → Retriever（第60篇-E46）系列「企业级 AI Agent 实现拆解」E46 篇，Part 10 生产工程篇第四章。上一篇讲了 Agent 的可观测性。这篇深入知识库检索：Eino 把 RAG 拆成四个组件接口，如何串成流水线，Document 如何在各阶段流转。

叫我Paul就好

RAG 入门到精通 - 一次完整的评估过程前面两篇文章都是在讲系统的构建，现在自己构建的系统基本上已经能构成一个闭环。但是，真正需要做的事儿才刚开始呢。

搞懂这几点，让你的RAG检索增强生成更完美。设计一个高效的 RAG（检索增强生成）系统数据库，核心在于厘清“知识库 ➔ 原始文档/条目 ➔ 文本切片（Chunk）”的三层层级结构，同时要兼顾向量检索与传统关系型数据库的解耦与关联。

大模型核心技术ReAct和Agentic RAG讲解React 全称是 Synergizing Reasoning and Acting in Language Models（在语言模型中协同推理与行动），由 Shunyu Yao 等人在 2022 年 10 月的论文中提出,React 的设计灵感来源于人类解决复杂问题的思维方式：通常会先思考问题、制定计划，然后执行具体操作，并根据结果调整下一步的思考

小程故事多_80

拨开RAG质量评判的迷雾，搭建一套可落地、可溯源、可量化的全链路评估体系几乎所有搭建过知识库问答系统的技术团队，都踩过同一条弯路。业务方抛出一句灵魂拷问，线上RAG到底好不好用，很多开发第一反应是统计用户投诉量，没人投诉就默认系统合格，偶尔抽几十条问答人工浏览，主观觉得通顺就直接放行迭代。这种粗放式评估逻辑，放在传统软件系统里尚且漏洞百出，套用到检索增强生成架构上，几乎等于裸机上线。