rag

【随笔】RAG遇到冲突证据：先对齐范围，再判断来源上一篇把RAG引用定位到原文页码和段落。引用能点开之后，另一个问题就会暴露出来：两个来源都能找到原文，却给出不同答案。

用 Python 从零搭一套 RAG 系统：40 行跑通，再谈优化大模型接个 API 就能聊天，但真到业务里你会发现一个尴尬的事实：它很聪明，却对你公司的资料一无所知。员工手册、产品文档、项目复盘，它统统没见过。你问它，它不会说 "我不知道"，而是开始一本正经地编。

企业级 RAG 知识库问答大模型 API 生产选型指南：4SAPI、硅基流动与 OpenRouter 的架构权衡在企业级检索增强生成（RAG）知识库问答系统的生产落地中，技术架构团队面临的核心系统矛盾在于：高频、长上下文的多跳调用成本控制，与严苛的企业级服务可用性（SLA）、数据安全合规边界之间的张力。无论是面向内部员工的研发文档检索、法务合规审查，还是面向外部客户的技术支持与产品资料查询，RAG 系统早已超越了“单次提示词输入与文本生成”的玩具阶段，演变为涵盖意图识别、查询改写、混合检索、重排序（Rerank）、结构化工具调用（Text-to-SQL / API 联动）以及生成后事实核查的复杂有向无环图（DAG）

超长上下文目录一、超长上下文和RAG二、超长上下文的应用场景前面RAG的内容算是更新完了，我们今天是对RAG做一个扩展。讲讲宣称能代替RAG的三个技术，分别是超长上下文、Agentic Retrieval与LLM Wiki。我们先在开始给出一个结论，就是他们互相之间都没有任何的替代关系。都只是在不同的场景下的不同技术路线，仅此而已。

跟我学机器学习

拥有短期记忆的RAG Agent：记忆增强检索实战在上一节内容中详细介绍了短期记忆管理的3种方式，删除、修剪和总结。在本节内容中，我们将基于第4.10节的内容实现一个类似 ChatGPT 的 RAG 问答工具，做到每次回答完用户问题后都判断是否需要对历史消息进行一次总结，并同步将会话消息实时保存到数据库，使得每次启动程序时都能恢复历史会话。

BM25 详解BM25 是一种用来计算"查询语句和文档之间相关性"的排序算法。你在搜索引擎里搜一个关键词，它要从几百万篇文章里找出最相关的排在前面，背后最经典的算法就是 BM25。

神也畏惧菠萝

Coze 工作流实战 Day05：RAG 检索机制、多模态 AIGC 与智能体编排在上一篇文章中，我们拆解了 Coze 工作流的底层架构、数据流转与确定性控制逻辑。而在真实的企业级 AI 应用中，除了处理文本和执行逻辑分支，系统往往还需要接入私有数据（解决大模型幻觉），并具备生成图片、音频、视频等非结构化数据的能力。本文将继续深入 Coze 工作流引擎的进阶特性：重点剖析知识库节点背后的 RAG（检索增强生成）底层检索策略与参数调优，拆解多模态节点（文生图、ASR、TTS、视频生成）的工程化实践与算力成本，并最终探讨如何将这些原子能力编排为完整的智能体（Agent），实现从“开发态”到

星野云联AIoT技术洞察

设备手册离线 RAG：先管住版本、权限和引文，再谈本地大模型现场技师问“这台设备的 E42 报警怎样复位”，系统如果只给出一段流畅的操作说明，却说不清适用型号、手册版本和原文页码，这个答案就不能拿去指导维修。断网时更如此：没有在线文档可回查，错误答案可能被当成现场唯一依据。

后端第十二课：Agent 开发（让大模型从“会答“升级到“会做“）👋 我是 Yulia，一线 AI 应用开发工程师：4 年工程经验，在职做大模型应用落地。只写一件事——把最新 AI 技术讲成人话 + 给你能直接上手用的代码（真实可验证，不搬运不注水）。有用就点个关注，持续更新大模型应用的前沿实战。

【agent篇】RAG Agent避坑指南(附高级RAG Agent汇总)request.state["messages"] 是完整对话历史（LangGraph state 的 messages 列表会累积）。你现在的测试是单轮，列表里只有 1 条 user 消息，所以 [-1] 碰巧取对。一旦多轮对话，列表变成：

后端第十一课：RAG 落地实战（从 0 到 1 接上私有知识库，并设计一个好用的 RAG）👋 我是 Yulia，一线 AI 应用开发工程师：4 年工程经验，在职做大模型应用落地。只写一件事——把最新 AI 技术讲成人话 + 给你能直接上手用的代码（真实可验证，不搬运不注水）。有用就点个关注，持续更新大模型应用的前沿实战。

今年下半年

AI智能体项目实战记录（06）：RAG项目实战之文件上传及文档读取解析在之前的几篇文章中，我们已经完成了项目创建、向量库模型下载以及向量库部署等准备工作。从本篇开始，我们将正式进入 RAG（检索增强生成）项目的核心业务开发。

for_ever_love__

知识图谱构建流水线实战：实体关系抽取的提示词、质量抽检与增量维护GraphRAG 也好、LightRAG 也好，效果的上限在建图质量——实体抽漏了、关系抽错了、同义实体没合并，图上全是毛边，查询时一步错步步错。这篇文章不讲框架怎么调用（前两篇讲过），讲构建流水的工程细节：抽取提示词怎么设计、批处理怎么做、质量怎么抽检、增量图谱怎么维护。这些才是自己搭图谱时真正花时间的地方。

for_ever_love__

Map-Reduce 式全文问答：当文档超出上下文时的分而治之有些问题向量检索根本帮不上忙：“这本 300 页的白皮书里，作者一共提出了几条反对意见？”——答案散落在全文各处，任何 Top-K 检索都捞不全。对这类"全文级"问题，LangChain 的 map_reduce / refine 链路给出了最直接的答案：把文档切成块，逐块处理（Map），再把中间结果汇总（Reduce）。这篇文章讲透四种链式策略的行为差异、各自的成本与坑，以及怎么为问题类型选对链路。

【随笔】RAG重排怎样挑证据：先扩大候选，再把相关片段排到前面上一文把RAG的问题拆成了检索证据和回答忠实性。接下来处理一个常见失败：正确文档已经被检索出来，却排在后面，最终拼给模型的前几段没有包含它。

编程火箭车

MySQL 拥抱 AI：向量、RAG、AutoML 全进了数据库这篇文章写给想给工具或产品加「AI 问答」能力、又不想单独搭一套向量数据库 + 嵌入服务的开发者——尤其是独立开发者和中小团队。读完你会得到三件事：MySQL 把「存、找、答、预测」做进了数据库的哪一步、怎么用一条 SQL 给工具做问答、以及什么情况下才值得上。

for_ever_love__

增量索引实战：新文档怎么做到分钟级可检索“合同昨天就存进系统了，为什么今天问它还说不知道？”——RAG 系统上线后最高频的用户抱怨。全量重建索引（几十万文档重新 embedding）一次几小时，不可能每天做；不管它，知识库就永远是几天前的快照。增量索引要解决的就是这个矛盾：新文档/变更文档快速进索引，旧索引不受扰动，删除要同步生效。这篇文章讲增量索引的完整机制：变更侦测、局部更新、删除同步、一致性保证，以及一套可落地的流水线。

造一个“读过《天龙八部》“的 AI 助手 —— advance-rag大模型没读过你的书？没关系——我们把整本《天龙八部》拆成碎片、变成向量存进 Milvus，再用 LangGraph 编排一条"先检索、后生成"的智能流水线。本文带你逐行拆解这个进阶 RAG 项目的三个核心脚本。

玩转 Spring AI 第二篇：RAG 落地——Redis 向量库、按空行切分的自定义 Splitter，和 pom 里两个“引而未用“的依赖💡 系列第一篇把这套 Spring AI 工程的骨架和第一次对话跑通了，这一篇进入最容易"被跑通骗过去"的一章：RAG。前端拖一个 txt 进去，问一句文档里的事，模型真就答出来了——看起来无非是"往向量库里塞了点东西，再取出来拼进提示词"。

今年下半年

AI智能体项目实战记录（05）：RAG项目实战之向量知识库milvus部署在 RAG（检索增强生成）项目中，向量知识库是核心基础设施之一。它负责将文档切分后的文本块转换为向量并存储，供后续检索使用。本篇文章将记录 Milvus 向量数据库的部署过程，包括 Docker Compose 编排、服务启动以及通过 Attu 可视化工具验证连接。