rag

RAG 项目完整学习笔记与总结这是一个生产级的多层 RAG 问答系统，核心特点：多级检索降级：Redis 缓存 → BM25 关键词检索 → Milvus 向量检索，层层递进

企业级模块化RAG项目(mysql➕redis➕milvus➕模型微调➕bm25➕fastapi➕ollama➕Prompt➕多策略选择)一个完整的 RAG 系统涉及多个技术组件，每个组件的选型都直接影响系统的性能、成本和可维护性。本文档详细分析本项目各项技术选型的考量因素及竞品对比。

RAG入门与在Dify中的简单实践本文将带你完成 RAG 技术从理论到实战的全流程。我们以长江科技有限公司内部知识库：新员工入职指南问答助手为例，基于 Dify 平台进行实操演示，每一步都会给出具体的操作指引与最佳实践建议。

究极无敌暴龙战神X

RAG基本流程RAG（Retrieval-Augmented Generation，检索增强生成）是一种将外部知识检索与大语言模型（LLM）生成能力相结合的技术，用于提升回答的准确性、减少“幻觉”（Hallucination），并支持私有或实时数据。

【Agent-阿程】AI先锋杯·14天征文挑战第14期-第6天-大模型RAG检索增强生成实战技术标签：人工智能、大模型、RAG、检索增强、LangChain、向量数据库、FAISS大模型训练数据存在时间截止点，无法获取训练后新增的知识，回答易出现过时、错误、幻觉。

第10节：设计高效混合检索架构，提升召回精度RAG与Agent性能调优：第8节：打造可配置，可扩展的自动化预处理流水线Gitee地址：https://gitee.com/agiforgagaplus/OptiRAGAgent

检索增强生成RAG项目tools_01:Docker 极简实战一份写给「只做开发、不做运维」的 AI 工程师的 Docker 学习笔记!总之就是一个字:好!!!Docker 拉取镜像时需要访问 Docker Hub（registry-1.docker.io），但国内网络访问不稳定，即使(●'◡'●)上网了，Docker Desktop 也不会自动使用系统代理。

无 Embedding、无向量数据库的 RAG 方法：PageIndex 技术解析PageIndex 是一种无向量、基于推理的检索增强生成（RAG）方法，无需 Embedding、分块或向量数据库即可从长文档中检索答案。

Graph Retrieval-Augmented Generation: A Survey近年来，检索增强生成（RAG）技术在无需重新训练的情况下，成功解决了大语言模型（LLM）面临的诸多难题。通过调用外部知识库，RAG 能够优化大语言模型的输出结果，有效缓解模型幻觉、领域专业知识匮乏以及信息过时等问题。

MCP项目笔记十二（RAG-MCP）这套代码实现了一个完整的 RAG（检索增强生成）工具检索系统，核心职责是：给定用户的自然语言 Query，从一批已注册的工具中找出语义最相关的若干个，最终以 LLM Function Calling 格式返回。

从检索到回答：RAG 流水线中三个被忽视的故障点RAG 流水线部署完毕、检索正常运行、LLM 按部就班地生成回答、用户也在持续收到响应，这一切看上去运转良好。但有一个问题大多数工程师从来不问：这些回答真的对吗？

RAG前身:基于mysql➕redis➕bm25的传统QA问答系统本文将从一个完整的项目实战出发，详细讲解如何构建一个基于传统检索技术的智能问答系统。我们会逐行分析代码，深入理解每个模块的设计思想、实现细节和优化思路。

念念不忘必有回响

RAG 入门第二课：从 PDF 深度解析到智能入库全链路在构建 RAG 系统时，我们常把精力花在调优大模型上，却忽略了最基础也最关键的一环——数据处理。俗话说“垃圾进，垃圾出”，如果文档读取乱码、切分支离破碎，再强大的模型也无法给出精准答案。

检索增强生成RAG项目tools_03:mysql➕redis➕milvus前面我们介绍了Docker部署➕ollama➕logging➕bm25等RAG项目中各个必不可少的tools,本篇主要讲的是mysql➕redis➕milvus!!!

第9节：FAISS，HNSW还是BM25？如何选择最适合业务的向量检索引擎？如何选择最适合业务的向量检索引擎RAG与Agent性能调优：第8节：打造可配置，可扩展的自动化预处理流水线Gitee地址：https://gitee.com/agiforgagaplus/OptiRAGAgent

发光的叮当猫

AI工程可能会遇到的一些问题1，检索质量太差，根本没有检索到正确内容原因：embedding不行，相似度算错，语义没对齐。query没有被改写，完全没有上下文，检索失败。

向量数据库架构与应用实战：从原理到生产部署在传统的关系型数据库中，数据查询主要基于精确匹配或范围查询。例如：然而，在 AI 应用场景中，我们经常需要处理"语义相似性"查询：

Karpathy的LLM Wiki：一种将RAG从解释器模式升级为编译器模式的架构Andrej Karpathy在GitHub上发布了一份名为LLM Wiki的文档引起了巨大的关注，一派认为"这不就是多绕了几步的RAG"，另一派已经打开编辑器着手搭建测试。

第8节：打造可配置，可扩展的自动化预处理流水线RAG与Agent性能调优：第8节：打造可配置，可扩展的自动化预处理流水线Gitee地址：https://gitee.com/agiforgagaplus/OptiRAGAgent

第6节：OCR文本错漏频发？结合LLM纠错，让图像文本也能精确使用RAG与Agent性能调优：6.OCR文本错漏频发？结合LLM纠错，让图像文本也能精确使用Gitee地址：https://gitee.com/agiforgagaplus/OptiRAGAgent