搜索[RAG]结果-低调大师优秀个人博客

精选列表

搜索[RAG]，共3438篇文章

绕过 RAG 实时检索瓶颈，缓存增强生成（CAG）如何助力性能突破？

传统 RAG 方案中的检索延迟、准确性波动以及系统复杂度，都在考验着开发者的耐心和智慧。

2025-02-28

Advanced RAG 11：对用户输入的内容进行「分类处理」和「再优化」

02 RQ-RAG: 一种 RAG 系统中的 Queries 优化技术方案针对上述挑战，RQ-RAG 提出了三项优化方法，如图 7 所示。

2024-08-12

RAG一文读懂！概念、场景、优势、对比微调与项目代码示例

其实上述“你”的工作流就是“RAG”的工作流，可以将“你”当作一个RAG模型，即“检索”、“利用”、“生成”。了解了RAG的基本工作流之后，可能会思考：RAG主要在什么场景下使用呢？

2024-03-07

TS版LangChain实战：基于文档的增强检索（RAG） | 京东云技术团队

可以通过检索增强生成（RAG）的方式，检索外部数据，然后在执行生成步骤时将其传递给 LLM 。

2023-11-28

### 背景与问题随着大语言模型在自然语言处理领域的快速普及，企业在构建智能客服、内部知识助手等场景时，普遍面临两大痛点。首先是模型幻觉问题，通用大模型在缺乏实时或垂直领域数据支撑时，容易生成看似合理但事实错误的内容。其次是知识更新滞后，预训练数据的截止时间导致模型无法回答最新业务动态。传统微调方式成本高昂且难以灵活迭代，而检索增强生成技术通过外挂知识库的方式，将外部权威信息实时注入提示词上下文，有效缓解了上述问题。然而，如何将非结构化文档转化为可检索的向量索引，并保证低延迟、高准确率的问答响应，仍是工程落地的关键挑战。 ### 方案设计一套标准的问答服务架构通常包含文档摄入、向量化存储、查询路由与答案生成四个核心模块。系统首先接收原始文本文件，利用分块策略将其切分为语义完整的片段。随后，调用嵌入模型为每个文本块生成高维向量，并存入向量数据库中建立索引。当用户发起提问时，系统会将查询语句转换为相同空间的向量，执行相似度搜索召回最相关的文本片段。最后，将召回内容与用户原问题拼接为结构化提示词，交由大语言模型进行归纳推理。该方案采用松耦合设计，各组件支持独立扩容，便于后续接入多模态数据或替换底层模型。 ### 实现步骤第一步是准备运行环境与依赖库，推荐使用现代Python生态中的数据处理与机器学习工具链。第二步编写数据清洗管道，去除HTML标签、特殊符号与冗余空白，确保输入质量。第三步配置嵌入服务，批量处理切片后的文本并写入向量存储节点，同时为每个向量附加元数据以便过滤。第四步实现检索接口，根据业务需求选择余弦相似度或最大内积作为排序依据，限制返回片段数量以控制上下文窗口占用。第五步构建生成链路，设计防篡改的安全提示词模板，强制模型仅依据提供的参考资料作答，并添加置信度评估机制。 ### 代码示例以下是核心检索与生成逻辑的简化实现，展示了如何串联向量查询与大模型调用流程。实际部署时需结合具体框架调整参数。 ```python import numpy as np from typing import List, Dict class RagQueryEngine: def __init__(self, embed_model, vector_store, llm_client): self.embed_model = embed_model self.vector_store = vector_store self.llm_client = llm_client def retrieve_context(self, query: str, top_k: int = 3) -> List[str]: query_vec = self.embed_model.encode(query) results = self.vector_store.search(query_vec, k=top_k) return [doc.content for doc in results] def generate_answer(self, query: str) -> str: context_list = self.retrieve_context(query) if not context_list: return "未找到相关信息，请尝试更换提问方式。" context_str = "\n".join(context_list) prompt_template = """ 你是一个专业的知识助手。请严格基于以下参考资料回答问题。如果资料中不包含答案，请直接说明无法回答。参考资料： {context} 用户问题：{query} """ formatted_prompt = prompt_template.format(context=context_str, query=query) response = self.llm_client.chat(formatted_prompt) return response.strip() ``` ### 注意事项在生产环境中部署此类服务需重点关注多个维度。分块大小直接影响检索精度，通常建议在二百至五百字之间，并保留段落边界避免语义断裂。向量数据库的选型应兼顾读写性能与持久化能力，高频查询场景可引入缓存层降低延迟。提示词工程必须加入安全约束，防止恶意输入诱导模型输出敏感内容。此外，建议建立离线评估集，定期使用标准化指标衡量问答准确率与召回率，通过反馈循环持续优化切分策略与重排序算法。监控体系需覆盖向量索引同步状态、API响应耗时及大模型Token消耗，确保服务稳定性。 ### 总结检索增强生成技术为企业级知识管理提供了可靠的技术路径。通过合理的架构设计与精细的参数调优，开发者能够构建出兼具准确性与扩展性的智能问答系统。未来随着图神经网络与多路召回机制的融合，该技术将进一步突破纯向量匹配的瓶颈。建议在实际项目中保持模块化思维，逐步验证各环节性能表现，从而稳步提升整体用户体验与业务价值。

2026-11-03

企业知识库RAG怎么验收从检索到答案的四层检查

把文档上传进知识库，再问一个示例问题，通常只能证明演示链路可以运行。企业知识库真正难验收的地方，是资料更新、权限变化和问题没有答案时，系统还能否给出可信的结果。 ## 第一层检查资料是否可用先选一组有代表性的文档，记录文件版本、负责人和生效时间。表格、扫描件、跨页条款需要检查解析结果。正文丢失时，后面换检索模型或换提示词都不能补回缺失内容。旧制度与新制度也要有明确的替换关系。 ## 第二层检查检索是否找到依据对每个测试问题，人工标注应找到的文档和段落，再查看系统实际取回的材料。检查同义问法、产品简称和编号查询。答案错时先区分“没有找到资料”与“找到资料却解释错”，这两类问题需要不同的修复方式。 ## 第三层检查权限与引用用普通员工和负责人两类账号提问，确认越权材料不会进入检索上下文，也不会通过引用标题泄露。答案应标明支持结论的出处；只在文末挂几个链接，却无法对应关键判断，仍然不方便核验。权限收回后，还要检查缓存和历史入口。 ## 第四层检查未知问题和更新准备知识库没有答案、资料冲突和前提错误的问题，检查系统是否承认信息不足。更新一份文档后重跑同一组测试，验证旧内容不会继续作为现行规则回答。验收报告分别记录检索问题、生成问题和业务判断问题，让后续维护有明确落点。 ## 用最小程序检查文档级结果下面的独立Python示例检查人工标注与取回文档是否一致，并把越权结果单独报出。它使用教学数据，不运行模型，也不代表真实项目的效果测试。实际项目应把检索结果接入同样的检查，再增加段落相关性、引用正确性和答案人工评价。 ``` from dataclasses import dataclass @dataclass(frozen=True) class Case: name: str expected: frozenset[str] retrieved: frozenset[str] allowed: frozenset[str] # 以下文档编号为教学数据，不对应任何客户或实际检索结果。 cases = [ Case("正常命中", frozenset({"v2"}), frozenset({"v2"}), frozenset({"v2"})), Case("仍返回旧版", frozenset({"v2"}), frozenset({"v1"}), frozenset({"v1", "v2"})), Case("权限泄漏", frozenset(), frozenset({"private"}), frozenset()), Case("未知问题", frozenset(), frozenset(), frozenset()), ] for case in cases: # 将权限泄漏与内容缺失分开报告，防止汇总分掩盖严重问题。 leaked = case.retrieved - case.allowed missed = case.expected - case.retrieved unexpected = case.retrieved - case.expected passed = not (leaked or missed or unexpected) print(case.name, {"通过": passed, "越权": sorted(leaked), "漏检": sorted(missed), "额外结果": sorted(unexpected)}) ``` 示例中“正常命中”和“未知问题”通过；“仍返回旧版”报告漏检v2，“权限泄漏”报告private越权。这里对额外文档采用严格比较，便于展示；真实任务应按问题定义可接受证据集合，不能把所有相关补充资料都判错。本文由AI辅助创作。

2026-11-02

解析结果进入RAG前怎么验收？先看切片完整度，再看召回是否可信

很多团队在搭建 RAG 流程时，会把注意力集中在 embedding 模型选型或向量库调优上，却忽略了一个更前置的问题：PDF 解析出来的 Markdown，到底能不能支撑后续的切片和召回。

2026-10-30

基于RAG的企业私域客服Agent：架构设计与灰度发布实践

本文从架构设计到灰度策略，拆解一条可落地的RAG客服管线。

2026-10-28

检索增强生成（RAG）：从离线索引到在线重排的工程实现

这正好把上一轮我们聊清的关系坐实了：RAG 不属于后训练。后训练是"提前把资料背进脑子"（改权重），RAG 是"用的时候把资料摊在桌上"（不改权重）。它和后训练是互补的两条路，不是一回事。 !

2026-10-22

为什么 Agent 记忆不是简单的 RAG：Context 管理的三个层次

很多人第一次接触 Agent 记忆时，会问一个合理的问题："这不就是 RAG 吗？" 表面上看确实像：都是存信息、检索信息、把结果放进上下文。但一旦深入使用，差异就显现了。

2026-10-22

AI面试八股文-03_3-RAG 系统面试题

高分实战案例 ## 一、基础概念题 ### Q1: 什么是 RAG？为什么需要 RAG？

2026-10-20

WorkBuddy 给舞台工艺建一座会长大的 RAG 知识库

# WorkBuddy 给舞台工艺建一座会长大的 RAG 知识库 ## 一、先看全景：一条资料从到手到可追溯的六步旅程把一座剧场的工艺资料喂给 WorkBuddy，问它某份扩声验收单该不该签，它会立刻回你一个规范编号

2026-10-18

RAG检索增强实战：原理、七步链路与最小可用代码

# RAG检索增强实战：原理、七步链路与最小可用代码 > 这一篇拆开看 RAG 的七步链路——文档怎么切、向量怎么搜、答案怎么拼。

2026-10-10

RAG 演示为什么总是很完美，上线就翻车：三类静默失败

看过不少 RAG 产品的演示，输入干净、问题明确、答案带引用，一切流畅。上线两周后收到的反馈往往是另一回事：答案读起来依然流畅，但引用的是过期文件，或者干脆把没有的信息补了出来。这不是玄学。

2026-09-22

843 个 RAG 项目，怎么筛到适合你的那一个

在 GitHub 上搜 "RAG"，出来的项目数以千计。我维护的一个开源项目目录里，光是"RAG 与知识库"这一个分类就收了 843 个。对要选型的人来说，这不是财富，是噪声。

2026-09-17

Agent渡劫48关-第14关-为什么企业RAG通常需要多路召回？

# Agent渡劫48关-第14关-为什么企业RAG通常需要多路召回？

2026-09-13

FDE进化36记-第18记-RAG为什么不是Vector TopK就结束？

# FDE进化36记-第18记-RAG为什么不是Vector TopK就结束？ > 检索到片段不等于答对问题，过滤没下推就等于没有隔离。

2026-09-12

TaiXu-Admin V0.1.3 发布，LLM+RAG+Agent 应用技术系统

TaiXu-Admin V0.1.3 发布，LLM+RAG+Agent 应用技术系统更新日志 1、实现具备复杂度分析、意图分析与任务规划的 Harness Agent； 2、

2026-08-31

生产级RAG系统构建实践：多路召回、融合重排与自我修正架构详解

# 生产级RAG系统构建实践：多路召回、融合重排与自我修正架构详解 ## 1.

2026-08-29

RAG系统上线前必修课：检索质量与生成效果评估体系

RAG则多了一层复杂性。

2026-08-29

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。

精选列表

绕过 RAG 实时检索瓶颈，缓存增强生成（CAG）如何助力性能突破？

Advanced RAG 11：对用户输入的内容进行「分类处理」和「再优化」

RAG一文读懂！概念、场景、优势、对比微调与项目代码示例

TS版LangChain实战：基于文档的增强检索（RAG） | 京东云技术团队

基于向量检索与大模型的本地化RAG问答服务构建指南

企业知识库RAG怎么验收从检索到答案的四层检查

解析结果进入RAG前怎么验收？先看切片完整度，再看召回是否可信

基于RAG的企业私域客服Agent：架构设计与灰度发布实践

检索增强生成（RAG）：从离线索引到在线重排的工程实现

为什么 Agent 记忆不是简单的 RAG：Context 管理的三个层次

AI面试八股文-03_3-RAG 系统面试题

WorkBuddy 给舞台工艺建一座会长大的 RAG 知识库

RAG检索增强实战：原理、七步链路与最小可用代码

RAG 演示为什么总是很完美，上线就翻车：三类静默失败

843 个 RAG 项目，怎么筛到适合你的那一个

Agent渡劫48关-第14关-为什么企业RAG通常需要多路召回？

FDE进化36记-第18记-RAG为什么不是Vector TopK就结束？

TaiXu-Admin V0.1.3 发布，LLM+RAG+Agent 应用技术系统

生产级RAG系统构建实践：多路召回、融合重排与自我修正架构详解

RAG系统上线前必修课：检索质量与生成效果评估体系

资源下载

Mario

腾讯云软件源

Spring

Rocky Linux

欢迎您来访！

精选列表

绕过 RAG 实时检索瓶颈，缓存增强生成（CAG）如何助力性能突破？

Advanced RAG 11：对用户输入的内容进行「分类处理」和「再优化」

RAG一文读懂！概念、场景、优势、对比微调与项目代码示例

TS版LangChain实战：基于文档的增强检索（RAG） | 京东云技术团队

基于向量检索与大模型的本地化RAG问答服务构建指南

企业知识库RAG怎么验收 从检索到答案的四层检查

解析结果进入RAG前怎么验收？先看切片完整度，再看召回是否可信

基于RAG的企业私域客服Agent：架构设计与灰度发布实践

检索增强生成（RAG）：从离线索引到在线重排的工程实现

为什么 Agent 记忆不是简单的 RAG：Context 管理的三个层次

AI面试八股文-03_3-RAG 系统面试题

WorkBuddy 给舞台工艺建一座会长大的 RAG 知识库

RAG检索增强实战：原理、七步链路与最小可用代码

RAG 演示为什么总是很完美，上线就翻车：三类静默失败

843 个 RAG 项目，怎么筛到适合你的那一个

Agent渡劫48关-第14关-为什么企业RAG通常需要多路召回？

FDE进化36记-第18记-RAG为什么不是Vector TopK就结束？

TaiXu-Admin V0.1.3 发布，LLM+RAG+Agent 应用技术系统

生产级RAG系统构建实践：多路召回、融合重排与自我修正架构详解

RAG系统上线前必修课：检索质量与生成效果评估体系

资源下载

Mario

腾讯云软件源

Spring

Rocky Linux

欢迎您来访！

企业知识库RAG怎么验收从检索到答案的四层检查