搜索[RAG]结果-低调大师优秀个人博客

精选列表

搜索[RAG]，共3437篇文章

Spring AI RAG接上观测云怎么做全链路观测？

做 RAG 应用时，最让人头疼的问题往往不是“彻底不能用”，而是“偶尔有点慢”。 RAG 可以先理解成“先找相关资料，再让大模型带着资料回答”。

2026-10-01

降SpringAI阿里第8掌-震惊百里-入藏RAG

注意，这不是"做一个 RAG Demo"，而是"把 RAG 纳入数字人项目的多租户边界"。

2026-09-28

RAG生产环境性能优化：向量索引选型与混合过滤实战方案

这系统是RAG，上个月刚上生产，demo阶段跑得飞快。10万向量时查询秒回，演示效果惊艳，领导当场拍板上线。全量导完1000万条客服文档，问题全冒出来。

2026-09-15

本体驱动 ERP：RAG时代，向量库、知识图谱、本体选哪个？

**本体驱动 ERP ** # **知识图谱、向量库、本体：** # **RAG 时代到底该用哪个？** 烧了 300 万，AI 却只会说废话——90% 的企业，都选错了检索底座。

2026-09-09

用 BM25 与向量检索做混合搜索：RAG 召回实战

### RAG（检索增强生成）里，纯向量检索讲究语义相似，但在"精确关键词、专名、编号"类查询上容易翻车——比如用户问"文档编号 A-2026 在第几章"，向量检索可能因语义泛化而漏掉。

2026-08-31

当时序数据库学会语义：向量引擎与 RAG 实践

## 摘要大模型应用普及之后，检索重新成了数据库领域最热闹的考场：语义检索要向量数据库，全文检索要搜索引擎，结构化筛选要时序库或数仓——一个 RAG 应用背后常常站着三套系统，各自存储、各自索引，结果在应用层对齐

2026-08-28

# GEO 效果不好，先定位断在哪一环：五断点诊断法一个 GEO 项目执行了一段时间，内容持续产出、品牌词搜索也能看到入口，但 AI 在回答类目问题时始终不推荐该品牌。此时最忌讳的动作是笼统归因于“内容不够”“权重不足”，然后继续盲目加量。更有效率的做法是把 GEO 链路拆成五个断点，逐一排查到底断在哪一环。 ## 为什么必须断点化排查生成式引擎的推荐链路可以简化为：候选召回 → 实体识别 → 证据提取 → 排序生成 → 平台策略过滤。任何一个环节失效，最终答案里都不会出现目标品牌。五个环节的失效模式完全不同，修复手段也不同。笼统的“做 GEO”无法回答“病在哪”，只有断点定位才能把优化动作从“碰运气”变成“修链路”。 ## 五断点逐一拆解 **断点一：没被检索到** 这是最基础的一环。如果品牌页面或品牌相关内容压根没有进入 AI 的候选证据池，后续一切优化都无从谈起。判断方法很直接：分别用通用搜索引擎、AI 联网搜索、平台内搜索做类目词的冷启动查询，看品牌是否出现在召回结果中。这里有个关键纪律——别只搜品牌名。品牌词搜得到只证明实体存在；类目词搜得到才说明有机会被推荐；类目词搜得到且命中案例、服务范围等字段，才可能上榜。如果排查发现品牌内容在类目词下从未出现，问题出在召回入口，修法是补索引可见性。SEO 是召回的地基，一个在传统搜索里都没有良好收录的站点，在 AI 的候选池里大概率也是缺席的。发文本身只影响召回，不保推荐。 **断点二：被检索到但证据弱** 很多品牌卡在这一环：类目词搜得到了，AI 也确实“知道”这个品牌存在，但推荐理由不充分。具体表现是——内容里只介绍“我们是谁”“我们做什么”，没有服务边界信息，没有落地案例，没有客户结果，没有地域覆盖说明。 AI 在生成推荐时会倾向选择“可验证、有细节”的证据。当候选池里多个品牌竞争同一推荐位时，内容中是否包含具体的项目实践、服务边界、可核验的结果数据，会直接决定证据强度的排序。修法是补充结构性事实内容，而不是再写几篇泛泛的品牌介绍。 **断点三：实体识别失败** 内容质量不差、证据也存在，但 AI 把你识别成了多个不同的实体。常见于：公司简称与全称被当成两家公司，产品线与品牌名未建立关联，历史名称与现用名称各说各话，或者负责人、子品牌与主品牌之间没有锚定关系。结果就是——AI 虽然有这个品牌的资料，但因为不知道这就是答案里应该引用的那个实体，最终推荐了别家。判断方法：在不同问法下看 AI 是否会混淆品牌归属。修法是统一口径，在数字内容中反复强化主体一致性。包括但不限于标准名称的持续露出、新旧名称之间的显式关联、主品牌与子品牌的层级关系说明。 **断点四：问法覆盖错** 内容很好、实体也很清楚，但只覆盖了品牌词，也就是只解决了“用户已经知道要搜你”的场景，没有覆盖“用户还不知道你的存在”的场景。真正带来增量的是类目问题，也就是“地区+服务+场景+对比+推荐”型问法。例如：“XX地区的XX服务哪家做得好”“XX场景一般用什么方案”“A公司和B公司该选哪家”，这些问题的语义空间远大于品牌词。排查方式是把这一类问法批量用于检索测试，观察品牌是否在各类目问法中被系统性地遗漏。修法是按问题类型拆解语义覆盖矩阵，针对缺失的问法类型补内容。 **断点五：平台答案策略限制** 内容侧四个断点全部通过，但品牌依然无法出现在最终答案中。此时要检查平台的策略倾向：部分平台在设计答案推荐策略时，会刻意回避商业推荐，或偏向大品牌、已认证名单、公开评测结果，对小众品牌天然不友好。这类限制无法通过内容优化直接破解，但可以通过调整目标来降耗——比如优先争取“被提及”而非“被推荐”，或者先进入平台认可的第三方名单/行业评测，再回到 GEO 链路中补证据。判断方式：观察同体量品牌在该平台的露出情况；如果某个维度上全军覆没，大概率是策略限制而非内容质量。 ## “没被检索到”和“没上榜”是两个问题五断点中最容易混淆的是前两个。需要把“没被检索到”和“没上榜”严格区分：没被检索到，意味着第 3 步候选证据池阶段就没进入；没上榜，则是已进入候选池，在实体识别、证据强度、排序或平台策略阶段被淘汰。两者修法完全不同：前者补召回入口，后者补证据与实体一致性。把这两件事混为一谈，会导致诊断方向完全跑偏。 ## 执行顺序与前置工作实际操作中，不要跳跃式排查，建议按下面的顺序推进：第一步，用类目词做冷启动检索，确认是否被召回。这是最高频的断点，优先确认。第二步，确认已召回后，逐层检查证据强度、实体一致性、问法覆盖。第三步，以上都通过还是不出现，再去排查平台策略限制。这套诊断逻辑仅对具备基础落地能力的内容体系有意义——没有索引基础、没有内容沉淀的站点，直接谈“策略限制”属于越级归因。 ## 核心原则：先定位，再修实践中最常见的低效行为，是看到“AI 不推荐”就直接进入内容堆量模式。但堆量只对断点一和断点四有效，对断点二无效（方向不对），对断点三无效（不解决混淆），对断点五根本无效（平台策略限制不随内容量变化）。 GEO 效果不达预期时，判断从哪一环入手，比判断“写什么”更重要。先把链路定位清楚，再决定下一步的资源投入方向——这是让 GEO 从“做了”走向“有效”的关键一步。 --- 作者：王涛（Taomir）

2026-08-20

Code-Graph-RAG：用知识图谱理解你的代码库

# Code-Graph-RAG：用知识图谱理解你的代码库 --- **Code-Graph-RAG** 是一个基于知识图谱的代码库 RAG 工具。

2026-08-17

基于Python与LLM的RAG系统实战：从Embedding到推理优化

# 基于Python与LLM的RAG系统实战：从Embedding到推理优化 > 腾讯云专栏 · 技术深度剖析 · 2026-08-15 --- ## 引言检索增强生成（RAG）是当前大模型落地中最具工程价值的范式之一

2026-08-15

筑起拒答防线：高精度 RAG 向量检索相似度阈值深度解析

# 高精度 RAG 向量检索相似度阈值截断设置：告别伪相关与模型幻觉在 RAG（检索增强生成）系统的实际落地中，很多开发者习惯在向量数据库中直接写死返回固定数量的切块（例如 `top_k = 5`）。

2026-08-14

非结构化文档 RAG 切块与语义重构

在搭建 RAG（检索增强生成）系统时，处理复杂的 PDF 规范、技术手册、Word 报告或会议纪要等非结构化文档时，许多团队最常掉入的陷阱就是**简单粗暴的“固定字符数切块”（如每 500 字一切）**

2026-08-13

从零构建高性能 RAG 系统：架构、优化与生产级实践

# 从零构建高性能 RAG 系统：架构、优化与生产级实践检索增强生成（Retrieval-Augmented Generation，RAG）已成为大语言模型落地企业应用的事实标准范式。

2026-08-06

别先堆 Agent：LLM、RAG、Agent 的调用边界才是真问题

因为客服主路径往往是「查得到就答、查不到就转人工」——RAG + 拒答更稳、更便宜。为什么不全靠 RAG？因为改配置、拉监控、跑流水线带工具副作用，这时才上 Agent。

2026-07-23

15天学会AI应用开发（二十）使用LangChain实现RAG检索功能

之前的文章《15天学会AI应用开发（十三）上下文与RAG的阶段性总结》概述了检索RAG知识库的主要步骤，现在采用LangChain将其改造为更智能的本地RAG系统。

2026-07-23

RAG系统测试实战：从检索到生成的全链路验证

引言：当大模型‘知道’却答错——RAG不是万能解药在企业级AI应用落地浪潮中，RAG（Retrieval-Augmented Generation）已成为知识密集型场景的标配架构。

2026-07-23

RPG Companion × VectFox Advanced RAG：打造真正长期运行的 SillyTavern RPG 世界

##### VectFox Advanced RAG 的定位 **VectFox** 是社区中提及的一个 Advanced RAG 方案。

2026-07-18

RAG 已经 out 了，Tree-like 算法让 AI 真正读懂文档

除此之外，传统RAG还有两个致命短板：其一，非结构化数据解析能力极弱。PDF、Excel、PPT等复杂格式文档包含大量表格、多级标题、图表信息，传统工具几乎无法有效处理。

2026-05-11

LazyLLM v0.7.1 重磅发布 | 智能体、RAG 与生态全面跃迁

一、简要介绍 LazyLLM v0.7.1 相较于 v0.6.1 实现了重大飞跃，在智能体能力、RAG 基础设施及模型部署灵活性方面均有显著增强。

2026-01-26

从 RAG 到 KAG ：结构化思考范式下的复杂推理

尽管 RAG 技术已从最初的基础 RAG 发展到具备自主决策能力的 Agentic RAG，但在实际应用中仍然面临挑战。

2025-11-28

资源下载

更多资源

优质分享App

近一个月的开发和优化，本站点的第一个app全新上线。该app采用极致压缩，本体才4.36MB。系统里面做了大量数据访问、缓存优化。方便用户在手机上查看文章。后续会推出HarmonyOS的适配版本。

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。

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。

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。

精选列表

Spring AI RAG接上观测云怎么做全链路观测？

降SpringAI阿里第8掌-震惊百里-入藏RAG

RAG 私域知识库实战：切分-向量化-生成全流程

RAG生产环境性能优化：向量索引选型与混合过滤实战方案

本体驱动 ERP：RAG时代，向量库、知识图谱、本体选哪个？

用 BM25 与向量检索做混合搜索：RAG 召回实战

当时序数据库学会语义：向量引擎与 RAG 实践

RAG 检索工程：经典检索、向量代理与 top-k 的取舍

Code-Graph-RAG：用知识图谱理解你的代码库

基于Python与LLM的RAG系统实战：从Embedding到推理优化

筑起拒答防线：高精度 RAG 向量检索相似度阈值深度解析

非结构化文档 RAG 切块与语义重构

从零构建高性能 RAG 系统：架构、优化与生产级实践

别先堆 Agent：LLM、RAG、Agent 的调用边界才是真问题

15天学会AI应用开发（二十）使用LangChain实现RAG检索功能

RAG系统测试实战：从检索到生成的全链路验证

RPG Companion × VectFox Advanced RAG：打造真正长期运行的 SillyTavern RPG 世界

RAG 已经 out 了，Tree-like 算法让 AI 真正读懂文档

LazyLLM v0.7.1 重磅发布 | 智能体、RAG 与生态全面跃迁

从 RAG 到 KAG ：结构化思考范式下的复杂推理

资源下载

优质分享App

Mario

Spring

Sublime Text

欢迎您来访！