rag

8.向量数据库-RAG基础2内容参考于：图灵AI大模型全栈向量数据库使用chromadb，它可以使用内存和持久化（就是把向量保存到硬盘上，这样重启也不会丢失）

不懂的浪漫

01｜从 Spring Boot 项目理解 RAG：ingest、query、rerank、trace 到 eval很多后端开发者第一次接触 RAG 时，容易把注意力放在大模型本身：“是不是换一个更强的模型，效果就会更好？”

逆境不可逃

Hello-Agents 第二部分-第八章总结：记忆与检索作者：逆境不可逃技术永无止境希望我的内容可以帮助到你！！！！！大家吼 ! 我是逆境不可逃今天给大家带来文章《Hello-Agents 第二部分-第八章总结：记忆与检索》.

Agent面试八股文（系列之三）面向：大模型应用开发、RAG 工程师、Agent 工程师、AI 平台岗位核心目标：把 RAG 从“向量库 demo”讲到“企业级知识系统”

7.相似度计算（本地模型下载和使用，在线模型的使用）-RAG基础1内容参考于：图灵AI大模型全栈本章用的百炼在线大模型是后付费模式，跟贷款一样，它先替你拿钱，然后你再还，这样要注意别欠的太多还不起了

Spring AI RAG - 05 RAG 检索阶段与 QuestionAnswerAdvisor文档入库只是 RAG 的一半，更关键的另一半在检索。当用户提问时，系统需要在毫秒级时间内从向量库中召回最相关的若干片段，再将这些片段拼接到 Prompt 中，引导大模型基于事实回答。

情绪总是阴雨天~

深度解析：LangChain、Agent、RAG、FC、ReAct、LangGraph、A2A、MCP — 区别、联系与全景图一、总览：技术全景图二、逐个击破：核心概念详解2.1 Function Calling（FC）— 工具调用能力

多轮对话RAG【第十五篇】：工业级上下文管理方案，指代消除、会话隔离、动态检索伸缩文章简介：前面十四篇我们完成了数据、改写、检索、重排、评估、生成全套单轮链路。绝大多数企业上线后卡在最后一道硬骨头：多轮对话失控。常见问题：代词看不懂、话题乱跳转、历史堆积冗余、断线会话丢失、多人会话互相串数据、对话越长回答越烂。本篇严格按照生产标准拆解三大核心模块：指代丢失&话题跳转&历史冗余根治方案、断线恢复&多人隔离架构、长对话自动清洗&动态检索伸缩。全部为线上压测验证的工业级逻辑，彻底解决多轮RAG通病，补齐企业级会话能力。

（第四篇）Spring AI 架构设计与优化：真实生产环境复盘，从 100ms 到 10ms 的响应提速全流程大家好，我是深耕 Spring AI 落地的后端开发。上个月我们团队接到了一个紧急优化需求：线上跑了 3 个月的智能问答服务，平均响应耗时稳定在 100ms，业务高峰期 P99 延迟直接飙升到 500ms，大量用户反馈 “问个问题要等半天”，老板直接下了死命令：2 周内把平均延迟压到 20ms 以内，同时不能降低问答准确率。

RAG学习笔记(3):区分数据库检索与RAG的使用场景好家伙,前面已经写了两篇 RAG 相关的文章.一篇讲 RAG 是什么:一篇讲微调和 RAG 的区别:今天继续补一个很重要的问题:

程序员老邢

【技术底稿 37】Spring Boot 3.x 自动装配 “死锁” 排查：3 个注解实现条件化装配与 Mock 兜底正在开发 RAG 项目，生产环境依赖 MySQL + Redis + Milvus + 大模型 API。日常需要搭建本地零依赖 Demo 版本，用于前端快速联调。剔除所有外部中间件配置后，Spring Boot 启动直接报错：

使用RAGFlow搭建本地知识库说起本地知识库，可能很多人会觉得这是个很高大上的技术活儿，好像只有专业团队才能搞定。但今天要介绍的 RAGFlow，正在让这件事变得前所未有的简单——哪怕你是技术小白，只要跟着步骤来，也能搭建起属于自己的本地知识库系统。

RAG查询改写②【第十篇】：HYDE、StepBack、子问题拆分，高阶改写算法生产落地文章简介：上一篇我们搞定了基础Query流水线：闲聊拦截、意图路由、指代消解、口语扩写，解决了用户原始问句的脏乱差问题。但简单扩写存在上限：复杂专业问句、逻辑嵌套问句、隐性条件问句，单纯字面扩写依旧召回失败。本文聚焦工业界三大高阶改写算法：HYDE假象回答、StepBack溯源反问、子问题拆分拆解，附带极简可运行源码。同时解决行业通病：改写语义漂移、推理延迟过高、算力成本爆炸，配套相似度校验、小模型改写、缓存策略，把高阶算法真正落地到生产，拒绝学术玩具。

9-检索增强生成RAG详解**RAG (Retrieval-Augmented Generation，检索增强生成) **是目前大模型应用的核心技术。

构建一个可自我改进的多 Agent RAG 系统：架构、评估，以及带人工审核的 Prompt 反馈闭环检索增强生成（Retrieval-Augmented Generation，RAG）已经成为将大语言模型（Large Language Model，LLM）回答对接外部知识的主流方式。单 Agent 的 RAG Pipeline 却暴露出一个根本性矛盾：检索质量、推理深度和答案合成被揉进了同一次不透明的前向调用，难以评估、审计或系统性改进。

工业级大模型学习之路016：RAG零基础入门教程（第十二篇）：实用进阶功能开发现在，我们为系统添加几个非常实用的进阶功能，这些功能都是用户实际使用中最需要的。之前的系统只有一个单一的对话历史，用户无法同时进行多个主题的对话。本功能将实现：

RAG查询改写①【第九篇】：工业级Query全链路优化，抖音深度扩写生产方案文章简介：前面八篇我们完成了文档解析、清洗、切块、元数据、生命周期全套数据层基建。很多人基建做完，检索效果依旧拉胯。核心病根不在知识库，而在用户原始问句：口语杂乱、指代不明、问句太短、无效废话、低质提问。本文采用目前工业界最火、抖音博主通用的深度扩写链路，严格按照生产流程拆解：意图路由判定、低质问句拦截、指代多轮补全、口语标准化改写。纯工程落地、无学术空话，把垃圾人话转换成高质量检索语句，从源头拉高检索命中率。

工业级大模型学习之路017：RAG零基础入门教程（第十三篇）：文本分块技术全解析很多人认为 RAG 的效果主要取决于大模型和嵌入模型，但实际上分块质量对 RAG 效果的影响占比超过 40%。一个好的分块策略可以让普通的嵌入模型和大模型产生优秀的效果，而一个差的分块策略即使使用最好的模型也无法得到准确的回答。

中国胖子风清扬

PageIndex：用推理替代向量的下一代 RAG 架构GitHub 仓库：https://github.com/zhoubyte/java-ai 如果你觉得这个项目有价值，欢迎 Star ⭐ 和关注，持续分享 AI 工程化实践！

从“开卷考试”到“精准喂饭”，工业级 RAG 检索质量的演进与调优血泪史💡 声明：个人观点，仅供参考。在大模型刚爆火的时候，很多人觉得只要有了 LLM，企业知识库就是“调个 API 的事”。但真正卷入工业级落地后，大家才发现现实有多骨感。今天，我把这段时间在 RAG 检索质量调优上的“血泪经验”整理成这篇博文，希望能帮你在架构选型和效果调优时少踩几个坑。