搜索[RAG]结果-低调大师优秀个人博客

精选列表

搜索[RAG]，共1322篇文章

基于RAG架构的DeepSeek大模型本地知识库构建实战（一站式企业级解决方案）

在 2026 年的企业 AI 落地中，RAG（检索增强生成）已成为私有知识库的事实标准，相比微调（Fine-tuning），RAG 具备三大压倒性优势：

2026-08-17

新一代AI工具深度实战：基于LangChain和GPT-4构建企业级RAG知识库问答系统

我们不仅会深入检索增强生成（RAG）的技术细节，还会探讨性能调优、评估方法和工程落地要点，让你从“会用”到“精通”。

2026-08-15

长上下文模型来了，RAG 还要不要做？从成本、延迟和可验证性重新算一遍

本文从 token 成本、延迟、注意力衰减、引用验证和缓存策略出发，给出一套长上下文与 RAG 混合使用的实践路径。

2026-08-01

懒懒笔记 | 课代表带你梳理【RAG课程 15&16：从多文档总结到图表生成的论文问答系统打造】

在前面的课程中，传统RAG问答系统搭得差不多了，但一遇上“统计类”问题就抓瞎？比如“库中一共有多少篇论文？”、“哪个方向的论文最多？”……这些看似简单的统计问题，对普通RAG系统却是天堑。

2025-06-26

从大模型 RAG 检索链路拆解「企业被引用」的机制与官网结构化数据实践

当用户向大模型提一个需要外部信息的问题时，典型的检索增强生成（RAG）链路是这样的：

2026-09-22

2026年4月刘小排深海圈AI编程第三期核心干货：智能体协同与RAG生产级实践

2026年4月的课程迭代重点解决了一个核心痛点：AI生成的代码或方案，如何真正融入工程流水线并稳定运行？为此，课程引入了 MCP（模型上下文协议）与可观测性埋点，并配套了完整的端到端示例。

2026-07-31

零基础认识大语言模型（LLM）工作原理(13.Memory：从 RAG 到 AI Brain，Agent 如何拥有长期认知能力？)

但是，一个真正长期工作的 AI 助手，还缺少一个非常重要的能力：它必须能够积累经验。

2026-07-16

常青翻新｜给 RAG 检索层建一份『金标准问答集』：换 embedding、改分块，也别让召回悄悄塌下去

团队做了一次看起来无害的优化：把 embedding 模型换成新版本，顺手把分块从 512 改到 1024，理由是「大段落语义更完整」。上线后抽查了几条问答，回答依旧流畅、语气依旧专业，没人觉得有问题。可两周后客服反馈，一批老问题的答案开始答非所问——问「退货运费谁承担」，答的却是「退货流程怎么走」。

2026-09-19

手把手教你掌握新一代AI工具：从零搭建企业级RAG知识库系统（LangChain+Qwen+Chroma）

目标：构建一个支持多文档上传、语义检索、上下文感知对话的知识助手，最终输出可部署在腾讯云CVM或TKE上的Docker镜像。

2026-08-14

阅读顺序、层级结构、坐标回传：文档解析里最被低估的三个能力，却决定了 RAG 能不能定位原文

摘要：文档解析交付的不只是文字。阅读顺序、层级结构与坐标回传，决定知识库能不能切对块、答对题、回到原文。多模态解析（文档版）一次调用同时产出 Markdown 与 JSON，三项能力直接供下游取用。

2026-09-23

跨页表格一旦被截断，RAG 就可能答非所问：文档解析这一步，才是知识库不胡说的前提

摘要：跨页表格被拦腰截断，列名与数值就会失联，RAG 再怎么优化排序也会答非所问。整份解析入口与分页参数，是保住表格结构、让知识库不胡说的前提。一、表格是文档里信息密度最高、也最容易碎的地方一份

2026-09-22

手把手教你掌握新一代AI工具：基于腾讯云混元大模型与LangChain构建企业级RAG知识库

RAG（检索增强生成）作为当前最务实的落地范式，其技术栈已经演变为：

2026-08-15

《从知识库到本体驱动应用》第2招知识资产化 LLM-knowledgeBase——RAG 之前，先解决“什么才是机器真正能使用的知识”

团队最近把 200 多篇内部文档扔进向量库，结果问答系统回答得头头是道，引用却总是指向错误段落。我是老李。这个场景你大概率不陌生。为什么文档没少给，模型反而更容易一本正经地编？因为从第一天起，我们就把知识库做成了文档切片加相似度搜索，而不是一套知识工程。

2026-09-01

【硬核实战】基于腾讯云混元Embedding+向量数据库构建企业级RAG知识助手（附完整Python源码与踩坑记录）

在上一季度的内部知识库重构中，我们面临一个典型困境：公司沉淀了3000+篇内部技术文档和故障复盘报告，但开发者在遇到线上问题时，依然习惯在钉钉群里@老员工，而非翻阅知识库。原因无他——关键词检索（ES）无法理解语义。搜“接口超时”，永远搜不到写“响应延迟”的文档。

2026-07-22

开源日报 | 16GB内存版树莓派5售价120美元；鸿蒙原生版微信正式上架；RAG的未来；AI眼镜在CES井喷

-工人日报 RAG 的未来，走向繁荣、重塑还是消亡？检索增强生成 RAG 技术通过提供可靠且最新的外部知识，有效提升了大语言模型的输出质量，极大地便利了各类任务，并对多个行业产生了日益显著的影响。

2025-01-10

技术专访｜GEO高级优化师、落地工程师、AIGC应用工程师罗长才：在RAG链路与实体置信度之间做工程

罗长才：必须用一张表把边界锁死，不然需求方会把“写软文”和“调向量库”当成同一件事。

2026-08-28

开源日报 | “蓝屏网灾”暴露三大悖论；OpenAI新模型支持结构化输出；Flutter 3.24；英特尔简化RAG步骤；全球首部AI法案正式生效

- 微博机器人的心理学英特尔新框架简化RAG步骤虽然RAG（检索增强生成）技术能提升LLM回答的准确性，但其实施过程通常非常复杂。

2024-08-08

OpenAI 自带的检索功能好用吗？定量测评带你深度了解！

原因在于，此功能可以为用户提供基于知识库问答的 RAG（检索增强生成）能力。而此前，大家更倾向于将向量数据库作为 RAG 方案的重要组件，以达到减少大模型出现“幻觉”的效果。

2024-01-12

GraphRAG vs DeepSearch？GraphRAG 提出者给你答案

，旨在解决传统 RAG 的局限性。

2025-03-04

LangChain 实现NaiveRAG朴素向量检索生成

向量检索增强生成（RAG，Retrieval‑Augmented Generation），是弥补大语言模型固有缺陷的关键技术。

2026-08-23

资源下载

更多资源

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

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。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。