embedding

Document 切割：RAG 知识库数据预处理实战对于一个 RAG（检索增强生成）知识库系统，知识可以来自各种各样的地方：这些不同格式的文件，最终都需要变成向量数据库能处理的标准化格式——这就是本文要解决的问题。

Hermes Agent 搭建全流程：从本机试跑到可持续运行的个人 AI Agent在 AI 技术飞速发展的今天，大语言模型（LLM）的能力已从简单的对话扩展到复杂的任务规划与执行。然而，直接使用云端 API 往往面临成本、延迟、隐私和定制化程度的限制。构建一个部署在本地的、可持续运行的个人 AI Agent，正成为开发者、研究者和技术爱好者的新追求。

段一凡-华北理工大学

向量数据库实战：选型、调优与落地~系列文章02：Embedding 嵌入模型选型指南：OpenAI、BGE、Jina、Cohere 横评🔥 本文是《向量数据库实战：选型、调优与落地》专栏第 02 篇⏱️ 阅读时间：约 15 分钟一个残酷的事实：你的向量数据库检索效果不好，80% 的锅不在数据库，而在嵌入模型 😱

归一化与点积在 Embedding 中的作用在 embedding 向量检索场景中，归一化（Normalization）和点积（Dot Product）是配合使用的一对操作：

大模型LLM ACA - ACP认证考试真题冲刺演练二答案参考目录一、大模型LLM ACA - ACP认证考试二、大模型LLM ACA - ACP认证考试真题冲刺演练一

LangChain 实战指南：回调系统、自定义组件与有状态对话全落地在LangChain实际项目开发中，原生内置的文档加载器、检索器、日志能力仅能满足通用场景。面对私有文件格式、定制化检索逻辑、全链路日志监控、多轮会话持久化等企业级需求时，必须掌握LangChain自定义开发能力。

程序员佳佳

模型网关灰度不是调百分比：把放量、观测和回滚做成账本图注：先记录谁、为何、改了什么、影响谁，再讨论从多少比例开始放量。很多团队说要给统一模型网关做灰度，最后落地成了一个数字：5%、10%、50%、100%。这个数字有用，但它不是灰度本身。真正的灰度是一个可解释的变更过程：谁发起变更，为什么变更，改了哪条路由，影响哪些调用方，验收哪些协议语义，观察哪些指标，在哪个条件下暂停，出现什么信号时回滚。没有这些账本，调小比例只是把不确定性推迟，而不是把风险变小。

向量库与Embedding：知识库AI化的核心技术概述在构建企业级AI知识库时，有两项底层技术决定了系统的召回质量和可用性：Embedding（嵌入）和向量库（Vector Database）。它们共同解决了传统关键词搜索无法处理的“语义理解”问题——让机器不仅看到字面，更能“读懂”意图。

chromadb emmbedding 向量检索最近做项目，其实就是poc，做一个知识向量检索，为rag（检索增强生成）做准备，其实就是LLM不具备的知识，先检索出来，然后提示词喂给大模型，让LLM开卷作答，检索的内容准确性决定LLM答题的准确性。其实选项无非是开源的向量数据库选择，一般而言示例poc使用chromadb就够了，如果需要大量数据检索，业界一般使用Milvus，当然其他ck等也可以使用，甚至可以把检索和存储分离实现。

知识的外挂：分块、Embedding、Rerank、GraphRAG 与多路融合 —— RAG 检索增强六脉RAG 是大模型接入外部知识的核心架构。本文从文档分块 Chunking、向量化 Embedding、检索 Rerank、GraphRAG 图谱增强、多路召回与融合、生产级 RAG 流水线六个切口，给出源码级实现与企业级 RAG 决策框架。

接着奏乐接着舞。

【2026年7月最新】69道RAG面试题RAG本身的概念还是很容易理解的，既：索引→检索→生成→评估四个环节串联，但是在实际的开发项目中还是经常遇到一些问题，而最好的方式就是通过面试题的形式进行记忆和查找，以点带线，以线促面，以下面试题基于实际开发项目以及我们要想掌握RAG必须会的。ps:建议学习一下milvus的使用

大模型：runnable在 LangChain 的世界里，Runnable 是一个统一的、标准的执行接口。所有能够“被调用、被组合、被传输”的组件，无论是模型（ChatTongyi）、提示模板（ChatPromptTemplate）、输出解析器（StrOutputParser）、链（Chain），甚至是整个 LangGraph 图，都实现了 Runnable 接口。

阿拉斯攀登

RAG 性能优化：缓存、批量与并发RAG 系统跑起来容易，扛住并发难。用户多了响应慢、成本高怎么办？这篇讲 RAG 系统的性能优化：检索加速、Embedding 优化、大模型调用优化、缓存策略、并发处理，从延迟和成本两个维度优化。

阿拉斯攀登

Embedding 模型选择与领域适配Embedding 模型决定了向量的质量，直接影响检索准不准。中文场景选什么模型好？垂直领域（法律、医疗、技术）通用模型效果差怎么办？这篇讲主流 Embedding 模型对比、选型方法、以及领域适配的技巧。

水木流年追梦

agent面试必备31- AI Agent 核心进阶：工具路由（Tool Routing）在开发 AI Agent 时，当你给大模型配备了 3 个工具，它能玩得很溜。但是，当你给它配备了 50 个、100 个工具（比如：查天气、查本地数据库、查实时股票、控制智能家居等）时，大模型就会陷入混乱，不仅经常选错工具，还会消耗极其庞大的 Token 费用。

01 双编码器与交叉编码器自己的感悟：RAG，检索增强生成并非一个新技术，只是对于原有搜索算法在不同场景和技术的升级。举个例子，百度和gogle作为一个搜索引擎，同样采用了bm25和tf-idf等传统匹配算法。只是随着最近大语言模型的发展，多了一个增强生成的阶段和更细粒度的拆分。

阿拉斯攀登

AI数据助手：从文档问答到智能数据分析前面 9 篇我们把 RAG 问答系统从零搭到了生产级。但一个真正的"AI 数据助手"，不能只会翻文档回答问题。它应该能帮你做数据分析、生成报表、甚至从一堆数据里挖出你不知道的信息。

一篇搞定：用 curl 测试私有部署模型联通性在私有部署模型环境里，最常见的排查动作就是先看服务是否存活，再分别验证对话模型和向量模型是否能正常收发请求。下面这组命令可以直接作为联通性测试模板使用。

常用网络层：Linear、Conv、RNN、Embedding、TransformerPyTorch 的网络层，都是 nn.Module。它们有参数，有 forward，有状态，也能被递归注册到模型里。

类Sora模型：解锁动态视觉艺术的密码AI生成文字、图片、视频的核心前提，本质是模型对内容的“理解”——生成文字需先读懂文字语义，生成图片需先看懂图像特征，文生图则需同时吃透提示词与图像逻辑，视频生成同样离不开对视频内容的深度解析。