rag

LlamaIndex框架：简单RAG框架的全过程实现手册PyCharm 中进入设置 → Python → 解释器 → 添加解释器 → 添加本地解释器 → Conda 环境 → 新建环境 → 选择 Python 版本 → 确定。

LlamaIndex 系列【24】检索增强策略：交叉编码器（Cross‑Encoder）双编码器（Bi‑Encoder）就是有两个独立的编码器，分别把Query（查询）和 Document Chunk（文档片段）各自独立编码成稠密向量（Embedding），再用余弦相似度计算两者匹配分数。

用 Trait 给系统留出后路：RAG 存储层如何做到 5 种后端可插拔快速阅读（30 秒速览）前情提要：上一篇用评测闭环结束了核心原理篇。工程实战篇第一站，聊支撑这一切的骨架——可插拔存储。

Spring AI企业级RAG落地实战：从基础架构到生产级高可用方案在大模型所处的时代当中, RAG也就是检索增强生成, 已然变成了企业去落地私有知识库的核心方案, 同时也是智能问答的核心方案, 还是业务AI助手的核心方案。相比较于对大模型进行微调而言, RAG的成本是更低的, 其数据实时性是更强的, 并且可落地性是更高的, 它能够极其完美地解决大模型存在的知识滞后这一核心痛点, 也能够解决大模型幻觉严重这一核心痛点, 还能够解决大模型无法适配企业私有数据这一核心痛点。

面向AIGC的检索增强生成综述原文：https://mp.weixin.qq.com/s/Z3355OEqzJBQvqXONxgO0g

东莞市云毅网络有限公司

企业知识库问答的自动化评测：构建 golden set 与回归脚本做企业 RAG 的人都会遇到一个共同的问题：模型升级一次、切分参数改一下、Embedding 换一版，回答就漂了。原来答得对的问题，这次开始答错；原来答错的问题，这次又"修"过头了。

东莞市云毅网络有限公司

企业非结构化资料拆分成可引用片段：一套能跑通的预处理流水线做检索增强（RAG）的人都知道一句话：检索质量的上限，是切分质量决定的。但企业侧的文档和公开语料完全不同——PDF 是扫描件混杂排版文本，Word 是十几年攒下来的各种模板，表格嵌在段落里，图片里还压着关键参数。直接按固定长度切，切出来的块要么截断在半句话上，要么把三件不相关的事揉在一起。

像风一样自由2020

23.OCR在知识库中的作用扫描件和图片文字如何进入RAG码海寻道 · 大模型、智能体与 RAG 工程组件系列第 23 篇扫描合同、发票、纸质制度、现场照片和流程图，通常没有可直接检索的文本层。OCR 的作用，就是把图像中的文字识别出来，再把识别结果接入解析、切分、向量化和检索链路。

梦想不只是梦与想

大模型系列（三）：提示工程、RAG 与 Agent大模型的使用方式可以分成三个层次，难度递增，能力也递增。提示工程就是设计有效的输入（Prompt），让模型输出想要的结果。

RAG Embedding 模型替换与索引回归摘要：《RAG 向量索引重建与回归》把索引包做成带指纹的版本制品后，下一步常是把演示用的 TF-IDF 换成真实 Embedding 模型。换模若只改配置名、不重建索引、不做双层回归，变体问法会悄悄退步。本文用同一套题集与闸门口径，演示从 tfidf_cosine_v1 替换到定长哈希 Embedding（接口对齐真实模型），并给出弱模型替换被阻断的对照；标准库即可跑通，上线时只替换向量层实现。

程序员柒叔

Dify -- 定时任务系统api/schedule/ 是 Dify 的定时任务中枢，基于 Celery Beat 调度器定义所有周期性后台任务。每个文件对应一个独立的 Celery 任务，通过 api/extensions/ext_celery.py 中的 beat_schedule 注册触发频率，并由功能开关（dify_config.ENABLE_*）控制是否激活。

大模型工程化实战（八）：OTel + LangFuse 全链路 Trace——把网关、护栏、SchemaGate 全部打点串起来，出问题一眼定位到环节凌晨一点，schema_validation_exhausted 这条结构化告警第三次亮起。下游没崩、没有 500，可“为什么偏偏这单走兜底”连我也答不上来：网关日志显示主路超时、重试 2 次兜到 gpt4；护栏日志显示 medium 风险 strip 放行；SchemaGate 日志显示缺“金额”字段、类型错、重试耗尽。三份日志都对，时间戳也对得上，人肉拼了两小时才凑出因果链。全链路 Trace 治的就是这个毛病：可观测不等于“每环节都打日志”，得把第 5 篇《LLM 网关选型》、第 6 篇《OWASP

智能客服实践：微调+RAG双引擎架构落地在企业垂直问答、智能客服落地场景中，单一微调或纯RAG架构均存在明显短板：小样本微调泛化性存疑、无法适配动态数据；纯RAG检索精度不足、固定话术回答生硬。

智能体Agent性能优化从原理到实战文章定位：CSDN爆款技术博文，面向大模型应用开发者、算法工程师、Agent落地从业者；覆盖RAG优化、提示词工程、工具调用、记忆机制、多智能体协作、成本延迟优化、评测体系七大维度，附完整可运行代码与踩坑总结。复制全部内容保存为.md直接粘贴CSDN编辑器即可发布，图片位置标记【图X：xxx】，用Mermaid或AI绘图生成对应图插入即可。

LlamaIndex 系列【21】语义检索（Semantic Search）BM25、TF‑IDF 都属于关键词检索（词法检索），只做字面词汇匹配：关键词检索只在乎单词是否出现过，并不读懂文字背后真正的语义。想要解决这个短板，就要依靠语义检索。

LlamaIndex 系列【20】关键词检索（Keyword Search）：BM 25 算法BM25 是生产环境标准关键词检索算法，ElasticSearch 默认的关键字检索算法是就是 ‌BM25‌（Best Matching 25），从 5.x 版本开始取代了早期的 TF-IDF，成为默认的相关性评分算法。‌‌

RAG 向量索引重建与回归摘要：《RAG 关键词检索与向量检索的切换边界》给出了切换建议，《RAG 文档更新后的全链路闸门验收》把五段闸门串成发布流水线。真正启用向量检索后，文档与扩展表一变，旧索引包仍在线上服务，变体问法会悄悄退步。本文说明如何把向量索引做成可版本化的索引包：写入文档指纹与扩展表指纹、检测漂移、重建后做原话层与变体层回归，并用闸门输出 VECTOR_INDEX_ALLOWED 或 VECTOR_INDEX_BLOCKED；标准库即可跑通。

虎虎(_　_)。゜zｚＺ

Qdrant向量数据库工程实战做 RAG 检索增强生成，向量库是绕不开的一环。市面上选择不少——Chroma 轻量但扛不住并发，Milvus 功能全但部署重，pgvector 复用 PostgreSQL 但检索性能有天花板。

治理知识库构建：用 RAG 把制度、文档、经验变成 AI 能力绝大多数企业的治理能力，都死在「文档堆积、经验流失、制度没人看、规范没人懂」。企业沉淀了海量制度文件、治理规范、数据标准、操作手册、复盘经验，但全部躺在网盘、Wiki、共享文件夹里，无法检索、无法落地、无法赋能业务。

LlamaIndex 系列【14】数据接入流水线（IngestionPipeline）数据接入流水线（IngestionPipeline）是指 LlamaIndex 中专门用来把原始文档变成可检索 Node 的一站式处理链路。