搜索[RAG]结果-低调大师优秀个人博客

向量数据库选型指南：RAG场景下的性能对比与调优策略

对于 RAG，至少需要同时关注三个指标： | 指标 | 含义 | 对RAG的重要性 | | ------------------ | ---------------- | -------- | | Recall

2026-08-14

从 RAG 到 Agent，看懂热门 AI 办公组合背后的逻辑

--- ## 二、背后的关键技术其实就是 RAG 这里最核心的技术是 RAG，也就是 Retrieval-Augmented Generation，中文通常称为**检索增强生成**。

2026-08-14

基于 RAG + LangChain + FastAPI 搭建生产级私有知识库问答系统（完整可运行）

RAG（检索增强生成）是目前解决这三大痛点最主流、最成熟的工程方案。本文用十年老架构师的视角，带你从零搭一**套能直接跑、能上线、能扩**展的 RAG 知识库问答后端，所有代码均经过实测。

2026-08-13

基于Python与LangChain构建多模态RAG系统：从向量检索到视觉问答的实战

# 基于Python与LangChain构建多模态RAG系统：从向量检索到视觉问答的实战 > 不止于文本，让大模型“看懂”图表与图像——一套完整的多模态检索增强生成（RAG）方案，含代码实现与性能调优。

2026-08-13

零构建企业级 RAG 问答ai产品：架构、调优与可观测性实践

### 零构建企业级 RAG 问答ai产品：架构、调优与可观测性实践 AI 产品早已不是“套个 ChatGPT 对话框”就能交差的时代。

2026-08-05

3天改造一个烂尾智能客服：RAG双阶段检索与记忆压缩实战

# 3天改造一个烂尾智能客服：RAG双阶段检索与记忆压缩实战接手过一个"烂尾项目"：一个基于FastAPI + 智谱AI glm-4的智能客服，知识库是几百MB的静态文件，每次用户提问都要把整个知识库扫一遍再塞给大模型

2026-07-30

私有化企业AI知识库技术架构：RAG系统全链路实现指南

> 本文以代码驱动的方式，详细拆解企业私有化AI知识库的核心技术实现，涵盖数据处理管线、混合云挂载存储、向量化索引与混合检索、RAG引擎、本地LLM推理优化以及物理级数据隔离的完整技术方案。

2026-07-23

视频理解RAG：从视觉感知到时序多模态检索系统的架构设计

因此，视频理解RAG（Video Understanding RAG）正在成为企业AI知识系统的重要方向。 --- # 一、为什么传统RAG无法解决视频知识检索？

2026-07-23

GEO与RAG检索链路：为什么高质量页面仍进不了AI答案

这条链路与典型的 RAG，Retrieval-Augmented Generation，检索增强生成系统非常接近。因此，一篇页面没有进入 AI 答案，未必是因为内容质量差。

2026-07-22

2026多模态RAG“幻觉风暴”调查：跨模态对齐失效与语义锚点重构纪实

2026年7月，随着企业知识库全面进入图文音视频混合时代，多模态RAG（检索增强生成）成为大模型落地的标配。

2026-07-15

最近搜一搜"从0到1搭建AI Agent"，大概率会刷到同一个模板：接入一个大模型，写几行提示词，注册一个查天气或者查火车票的工具，让 Agent 自己判断什么时候该调用工具。跑通的那一刻，确实会让人有种"智能体也就这样"的错觉。这类教程当然也是有用的，它能帮你在最短时间里搞懂 ReAct、Plan-and-Execute、工具调用、记忆、工作流编排这些基础概念，也能让你迅速看懂 LangChain、LangGraph、AutoGen、CrewAI、Dify、Coze 这些框架到底在解决什么问题。但只要把目标从"个人 Demo"换成"企业级 Agent 落地"，难度不是线性增加，而是直接换了一个赛道。企业里的真实任务，很少是"查一下天气"这么干净利落。员工丢来一句"帮我核对这批付款异常"，背后要查合同、对流水、比发票、看供应商资料、判断金额阈值、触发审批、写回财务系统，最后还得留下一条完整可追溯的操作记录。这中间任何一步走偏，都不是 Demo 报错那么无关痛痒——它可能牵扯到付款、审计、合规和责任归属。所以，从零搭建 AI Agent，真正的第一步根本不是纠结选 LangGraph 还是 MCP，也不是先纠结用哪家大模型，而是**先选一个足够清晰的业务流程**。 ![](https://developer.qcloudimg.com/http-save/audit-11837377/abc23c17e545aa02a1447bcd0ccf3cc8.png) ## 个人 Demo 的四步，为什么撑不起企业场景？大多数入门教程走的都是同一条路：第一步接入模型，第二步写提示词，第三步定义工具，第四步让 Agent 根据问题调用工具。用户问"今天北京天气怎么样"，Agent 判断需要查天气，调用天气 API，再把结果包装成一句自然语言返回给你。整个过程干净、直观，很适合拿来做教学案例。但企业流程里，工具调用只是链条中间的一环，远不是终点。一个报销审核 Agent，光"能读发票"远远不够——它还得知道哪些费用类型能报、哪些金额需要上级审批、哪些员工只能看自己部门的数据、哪些异常必须转人工复核。一个财务对账 Agent 也一样，把两张表做个差异比对只是热身，真正要做的是登录网银、下载流水、比对业务系统记录、标记异常、生成报告，并且每一步都要留痕。这也是不少企业试用 Agent 之后落差巨大的原因：**Demo 看起来聪明绝顶，一到生产环境就没人敢真正放手。** 不是模型不够用，而是 Demo 从头到尾只验证了"模型会不会调用工具"，却从没验证过"这个工具能不能在企业规则里稳定、安全地跑下去"，而后者，才是企业真正在意的事。 ## 企业级 Agent 的第一步：先选流程，不是先选模型更靠谱的路径，是让企业从流程出发，而不是从模型出发。适合上 AI Agent 的流程，往往有几个共同特征：**输入比较明确，规则相对稳定，系统动作可以拆解，异常边界能被定义，执行结果可以量化。** 报销审核、合同信息校验、客户工单分派、财务对账、供应商资料补全、监管材料整理、IT 运维告警分析，这些场景听起来远不如打造一个万能助手炫酷，但胜在真实、可衡量、ROI 好算，也正因为如此，才更适合作为起点。以财务对账为例，可以把整个任务拆成一串可执行节点：读取银行流水，读取业务系统交易记录，按账户、日期、金额、摘要规则逐项匹配，识别差异项，生成异常清单，推送给财务人员确认，确认后再写回系统。在这条链路里，**大模型负责规则解释、异常归因和报告生成；RPA 或 API 负责系统登录、数据下载、字段填写和结果回写；人工则守住高风险金额、规则冲突、凭证不完整这些关键节点。** 三者各司其职，谁都不越界。 ![](https://developer.qcloudimg.com/http-save/audit-11837377/8e9dcd61c1a5979d3fdae38f9988a8a8.jpg) 到这一步再回头看 Agent，就不会再把它想象成一个会聊天的程序，而是嵌进流程里的一个真实参与者——它有理解能力，但也有清晰的执行边界。 ![](https://developer.qcloudimg.com/http-save/audit-11837377/a10ce4f402f0090b89f01ebc0446d090.png) ## 从 Demo 到生产，中间还差七件事个人 Demo 的常见路径是"模型、提示词、工具、调用"四步走，但企业要真正上线，至少还得补齐七个环节：**任务边界、流程步骤、工具清单、权限规则、异常处理、人工复核、审计记录。** 少一个，风险就多一分。 **任务边界**划定 Agent 能做什么、不能做什么。它可以生成付款异常清单，但不能直接批准付款；可以建议工单分派对象，但不能绕开客服主管的优先级规则。边界越清楚，后续踩坑的概率就越低。 **流程步骤**决定 Agent 怎么把一句模糊的自然语言，拆成可执行的任务。企业里最常见的坑，就是所有人都在说"让 AI 帮我处理一下"，却没人把"处理一下"真正拆解成输入、判断、操作、校验、输出。流程建模缺位，Agent 就只能靠模型自由发挥，稳定性自然上不去。 **工具清单**决定 Agent 到底能调用什么。这里既有 API、数据库、知识库、搜索工具，也包括 RPA、Browser Use、Computer Use、MCP 工具和企业内部系统能力。MCP 的价值就在于把工具、数据源和工作流标准化暴露给 AI 应用，让 Agent 不必为每套系统单独造一条连接管道——但工具开放得越多，权限和审计的重要性就越要同步跟上，不能只顾着"能连上"。 **权限规则**决定 Agent 能不能越界。营销 Agent 不该随手读到财务数据，部门助理也不该有权调用全集团的人事接口。更合理的做法，是按部门、岗位、智能体类型划出独立的权限范围，让 Agent 像一个正式员工账号一样被管理起来，而不是一个拥有超级权限的"黑箱"。 **异常处理**决定 Agent 在遇到不确定情况时会不会知道停下来。数据缺失、系统超时、规则冲突、金额过大、合同条款无法识别——这些都应该被转入人工确认，而不是让模型硬着头皮往下猜。很多企业级 Agent 的可靠性，恰恰不在于它能永远自动跑完全程，而在于**它清楚自己什么时候不该自动执行。** **人工复核**是人机协同的安全阀。真正好用的 Agent 从来不是要完全取代人，而是先把重复操作、信息整理、初步判断跑一遍，把少数需要经验和责任判断的关键节点留给人来拍板。在金融、政务、财务、法务、审计这些场景里，人工确认不是拖慢效率的累赘，而是生产环境里不可省略的一道工序。 **审计记录**决定这个 Agent 能不能被长期管理下去。谁发起了任务，Agent 调用了哪些工具、读取了哪些数据，在哪一步触发了异常，人工是怎么确认的，最终结果又写回到了哪里——这些都得被记录下来。没有日志，Agent 就是个黑盒；有了日志，它才谈得上被复盘、被优化、被问责、被持续迭代。 ![](https://developer.qcloudimg.com/http-save/audit-11837377/c056dfeca6509733bf15733f32f23c37.jpg) ## 框架怎么选？先看它能不能扛住流程把这七件事想清楚之后，再回头看 LangGraph、MCP、RPA、低代码平台这些名词，位置一下子就清晰了——它们不是起点，而是承接流程的工具。 LangGraph 这类框架擅长处理状态流转、节点编排、人机介入和复杂任务链路，比较适合开发团队把 Agent 从简单问答推进到可控的工作流。MCP 更像是一层工具连接层，把数据库、文件、API、业务系统能力封装成 Agent 可发现、可调用的工具。RPA 则专门解决那些没有标准接口、仍然要靠操作浏览器或桌面系统来完成的执行问题，尤其适合银行、证券、财务、政务这类系统多、接口复杂、但流程本身相对稳定的场景。国内厂商也在沿着不同路线往企业级 Agent 走。阿里、腾讯、百度、字节、华为云等更多从云平台、办公协同、模型平台和开发工具切入，强调应用构建、工作流、知识库和企业系统连接；另一类厂商则从流程自动化和数字员工切入，更关注 Agent 怎么接上已有系统、复用已有流程资产、把执行做稳。金智维算是后一条路线里比较有代表性的样本。它的智能体强调"受监督"，把任务理解、流程执行、工具调用、多 Agent 协同、结果校验放进同一条链路；旗下的智能流程自动化平台则用大模型统一调度 RPA、Browser Use、Computer Use、MCP 和自定义技能，让企业在尽量不动原有系统的前提下，把已有的流程自动化能力升级成可被 Agent 调用的执行能力。这套思路对存量系统复杂的企业来说，现实意义很直接：企业不是一张白纸，不可能为了上 Agent 就把 ERP、OA、CRM、财务系统推倒重来。更常见的情况是，企业手里已经有一批 RPA 流程、接口服务、报表脚本和审批链路，新的 Agent 要做的不是取代它们，而是把这些能力重新封装成可调用、可编排、可审计的工具——这才是大多数企业真正走得通的路。 ![](https://developer.qcloudimg.com/http-save/audit-11837377/0480d038e96c9bb61f5523f8ec0682a0.jpg) ## 搭建顺序：六步走完，从0到1 把企业级 Agent 从0到1拆解成一条可操作的路径，大致是这样： **第一，选一个高频、规则清晰、ROI 容易算清楚的流程**，不要一上来就想做"万能企业助手"。财务对账、报销初审、合同要素校验、工单分派、资料补全、IT 告警归因，都比开放式问答更适合当起点。 **第二，把流程拆成节点**，明确每一步的输入、规则、系统动作和输出结果。能结构化的地方尽量结构化，能用规则校验的地方，就不要全部交给模型去"猜"。 **第三，梳理工具清单。** 哪些能力走 API，哪些走数据库查询，哪些走 MCP，哪些需要 RPA 操作界面，哪些只允许读取不能写入——这些都得提前设计清楚，而不是上线之后再补。 **第四，设置权限和人工接管。** Agent 可以自动执行低风险节点，但一旦涉及资金、审批、客户敏感信息、外部报送、高风险操作，就必须有人来确认。企业级 Agent 成不成熟，很大程度上就取决于这些"刹车"设计得好不好。 **第五，建立日志和评估机制。** 不能只看"能不能跑通"，还要盯成功率、平均耗时、人工接管比例、异常类型、错误原因、节省工时和业务满意度。Agent 上线不是终点，而是进入持续运营的起点。 **第六，最后再去优化模型和提示词。** 很多团队一上来就花大量时间调 prompt，可流程、工具、权限都没设计好，提示词再精致也只能解决表层问题。**模型是大脑，流程和工具才是企业里的手脚、道路和红绿灯**——脑子再聪明，路没修好，照样寸步难行。 ![](https://developer.qcloudimg.com/http-save/audit-11837377/962dbb784cf8a3172d8951042b2af6b7.jpg) ## 企业搭建 Agent，第一问不是"用什么框架" 回到开头那个问题：从零搭建 AI Agent，需要哪些框架和步骤？我的答案可能有点反直觉。入门阶段，你当然可以从 LangChain、LangGraph、MCP、ReAct、Plan-and-Execute 这些概念学起，先搞懂 Agent 如何思考、如何调用工具、如何完成任务。但企业真正要落地的时候，第一步从来不是选框架，而是选流程。一个真正能上线的企业级 Agent，应该能回答这些问题：它服务哪个业务流程？每一步怎么拆？调用哪些工具？权限边界在哪里？异常交给谁？执行结果怎么校验？日志怎么追溯？ROI 怎么算？这些问题如果答不上来，Agent 大概率会一直停在 Demo 阶段；如果都设计清楚了，框架反而只是工程实现里最容易解决的那一部分。**真正的企业级 Agent，从来不是一个更会聊天的程序，而是一个能在组织规则内完成任务、留下记录、接受监督、持续优化的流程参与者。**

2026-07-13