rag

Experience-摆渡

开源RAG知识库WeKnora深度调研：让知识自己长成体系今天不发软文，只给你一手事实 + 一份独立评审。先看它到底是不是又一个 RAG 套件，再决定要不要了解。

东莞市云毅网络有限公司

用 SQLite FTS5 给企业文档建本地全文索引：中文分词与权重调优企业内部的文档检索，多数场景并不需要上 Elasticsearch。几千到几万份文档的规模，用 SQLite 的 FTS5 扩展就能做到毫秒级响应，且零部署成本、单文件可迁移。这篇文章记录一套可直接运行的实现：中文预分词 + FTS5 索引 + BM25 权重调优 + 查询改写。

霸道流氓气质

RAG检索增强：12种Chunking策略深度对比本文深入解析 2026 年 RAG 分块策略的最新基准数据与工程实践，涵盖从固定大小到 Late Chunking、Agentic Chunking 的完整技术谱系，补充语义分块的百分位阈值机制、LangChain4j/Spring AI 的 Java 实现、RAGAS 评估框架及生产级配置指南。

LlamaIndex 系列【29】检索增强策略：路由（Routing）机制路由（Routing）是查询进来时的智能分发器，先判断这个问题属于哪类，再把它送到最合适的那个数据源/引擎去处理。它回答的问题是去哪问，而不是怎么问（那是查询重写）或拆成几个问（那是子问题）。

阿里云大数据AI技术

千问 APP × 阿里云：MaxCompute 向量检索重构 RAG 数据收录评估链路，一条SQL将性能提速 11 倍评估一个领域的数据收得全不全，千问 App数据团队过去要花大半天：导出数据、发版审批、部署常驻服务、等召回跑完。现在，基于阿里云MaxCompute 多模态检索，只需一条提交即跑的数仓 SQL——全链路从约 6 小时 15 分压到约 32 分钟，全程零常驻资源。

编程的一拳超人

大模型研发重难点全栈手册：第 0 章导览：从预训练、混合精度、3D 并行、吞吐优化，到对齐微调、推理部署、RAG/Agent 与评测（最全完整版）📃作者主页：编程的一拳超人⛺️ 欢迎关注：👍点赞 👂🏽留言 🌟收藏 💞 💞 💞于高山之巅，方见大河奔涌；于群峰之上，更觉长风浩荡。

RAG 优化实战：从精确召回、QA 生成到上下文压缩的全链路工程化方法阅读对象：正在搭建知识库问答、企业文档助手、医疗/法律/金融领域检索增强应用，但发现“检索到的内容不对”“答案经常幻觉”“Token 成本高得离谱”的开发者。

PDF跨页表格处理方案（极简落地版 + 工具对比）统一项目内所有PDF跨页表格解析逻辑，替代各省零散、硬编码、定制化的跨页规则（海南/云南旧版逻辑）。摒弃抽象加权、枚举模型、复杂打分机制，采用逐页逐行触发 + 多信号截断判定 + 续表多维度校验的极简工业级流程，兼顾准确率、可调试性、通用性。

2026第二届湾区杯网络安全大赛决赛（AI专项赛道静态题wp）awdp做的不是很好，差不多中游，就不写了重点看ai吧，不过看了一下午也没能再出一道了，RAG有点可惜最后脑洞不够没能想到这样子做，人工分低的很，多亏了agent发力帮我们拿了一个铜奖

慧都小妮子

Word/Excel/PPT 如何稳定导出 Markdown？文档 SDK 三线能力拆解开发者常卡在一个具体需求上：把 Word 转成 Markdown，再转回 Word 或 PDF；PPT、Excel 又该怎么稳定导出为 Markdown？这其实是跨文档品类的共同现象。随着知识库、RAG 检索与大模型语料把“轻量可读文本”变成刚需，Markdown 正成为文档互操作里那个“中转格式”。本文以 Aspose 的 Words、Cells、Slides 三条线为样本，看清它的能力与边界。

告别粗暴向量检索：GraphRAG图谱增强与Agentic自适应路由落地实战目录1. 范式转移：从单点向量相似度到拓扑图谱推理1.1. 传统向量 RAG 的三大物理天花板：丢失全局、多跳断裂与语义漂移

RAG 从提问到回答：查询改写、多路召回、精排与上下文生成文档已经切好、向量已经入库，为什么用户提问后，系统仍可能找错资料，或者拿着相关资料答非所问？问题出在检索和生成之间还有几次判断：用户的问题是否表达完整，不同检索方法找到的结果如何合并，看起来相似的片段是否真的回答了问题，以及最终留下的证据怎样放进模型上下文；这些环节连接起来，才是从 "能搜索" 到 "能回答" 的完整过程

智码看视界

Day72-文档预处理实战：PDF解析 + 文本切块的正确姿势RAG 的回答质量，80% 不取决于模型，而取决于喂给模型的上下文干不干净。检索阶段确实能命中相关文档，但如果进 LLM 的 Chunk 是"目录 + 正文 + 页眉页脚 + 水印"的混合体，模型再强也会答非所问。

SpringAI+RAG-检索文档变知识：从上传到精准检索的完整链路记录人：老码场景你肯定见过：用户上传一份公司文档，转头问「年假怎么算」。模型答得头头是道，数字编得比真的还像。

宁渡AI大模型

河南宁渡科技有限公司｜宁渡课堂 AI 全栈面试分享，RAG 项目面试深挖问题解析摘要：AI 全栈面试中，RAG 检索增强生成项目几乎是必问项目。河南宁渡科技有限公司宁渡课堂，结合学员面试经历，拆解面试官深挖 RAG 项目的各类问题，包含项目难点、优化方案、踩坑总结。

DeepMMSearch-R1: Empowering Multimodal LLMs in Multimodal Web Search论文分享今天分享的论文是《DeepMMSearch-R1: Empowering Multimodal LLMs in Multimodal Web Search》

Docker 部署 Milvus：轻松搭建高性能向量数据库平台本文基于 openeuler/milvus:2.6.0-oe2403sp2，跟做标签 2.6.0-oe2403sp2（Milvus 2.6.0 / openEuler 24.03-LTS-SP2），客户端实测 pymilvus 3.0.1，测试平台 Ubuntu 24.04 Linux。

宁渡AI大模型

河南宁渡科技有限公司｜宁渡课堂 AI 全栈面试分享，AI 应用开发高频考点汇总摘要：本文由宁渡课堂整理 AI 全栈开发岗位面试高频知识点，覆盖大模型基础、提示词工程、向量数据库、AI 前后端集成等核心内容，帮助求职 AI 全栈方向的开发者梳理面试重点，做好面试准备。

企业级RAG系统架构详解企业级 RAG 系统架构总览（公众号【码农飞哥】原创）很多 Java 同胞学 RAG 的方式是：先看一周名词解释——chunk、embedding、rerank、RRF、向量数据库——每个词都认识了，连起来还是不知道一个能上生产的 RAG 系统长什么样。

JAVA 高级进阶18篇《生产级RAG：切分、检索、评估与Graph RAG全链路实战》「Java高级技能提升系列」第18篇（全20篇）· 面向2026年中高级Java岗面试 · 专栏持续更新，欢迎关注