RAG不会消失，它只是换了形态_服务软件

1. 在构建RAG Agent时，哪些场景应该用确定性逻辑判断取代LLM的概率推理，具体怎么实现？

2. 如何评价Karpathy提出的个人知识库的架构？

3. github.com/Tencent/WeKnora 腾讯开源的RAG框架：WeKnora（维娜拉）这是一款基于大语言模型的文档理解与语义检索框架，专为结构复杂、内容异构的文档场景而打造。框架采用模块化架构，融合多模态预处理、语义向量索引、智能召回与大模型生成推理，构建起高效、可控的文档问答流程。核心检索流程基于 RAG（Retrieval-Augmented Generation）机制，将上下文相关片段与语言模型结合，实现更高质量的语义回答。核心特性 🤖 Agent模式：支持ReACT Agent模式，可调用内置工具检索知识库、MCP工具和网络搜索，通过多次迭代和反思给出全面总结报告 🔍 精准理解：支持 PDF、Word、图片等文档的结构化内容提取，统一构建语义视图 🧠 智能推理：借助大语言模型理解文档上下文与用户意图，支持精准问答与多轮对话 📚 多类型知识库：支持FAQ和文档两种类型知识库，支持文件夹导入、URL导入、标签管理和在线录入 🔧 灵活扩展：从解析、嵌入、召回到生成全流程解耦，便于灵活集成与定制扩展 ⚡ 高效检索：混合多种检索策略：关键词、向量、知识图谱，支持跨知识库检索 🌐 网络搜索：支持可扩展的网络搜索引擎，内置DuckDuckGo搜索引擎 🔌 MCP工具集成：支持通过MCP扩展Agent能力，内置uvx、npx启动工具，支持多种传输方式 ⚙️ 对话策略：支持配置Agent模型、普通模式模型、检索阈值和Prompt，精确控制多轮对话行为 🎯 简单易用：直观的Web界面与标准API，零技术门槛快速上手 🔒 安全可控：支持本地化与私有云部署，数据完全自主可控 #科技先锋官#

4. 超越传统 RAG：知识图谱如何增强 AI 的记忆与推理能力

5. 2026年程序员不懂RAG+Agent，将会落后于职场

6. 关于 NotebookLM 植入 Gemini 这件事，我详细写了一篇自己的使用体验：网页链接NotebookLM 里的笔记本可以作为 Gemini 的外挂 RAG，Gemini 的答案会更加精准，幻觉会收敛，输出更加聚焦和有价值。而对于 NotebookLM 来说，Gemini 帮它搞定了多笔记本互通的事情，另外，NotebookLM 干不了的事儿，Gemini 可以代劳，比如 Deep Research，出图，做视频，写程序等等。这就有点像 Agentic RAG，当然，因为 Gemini 是面向所有互联网数据的，泛化的更厉害一些。目前墨问时间的知识库，还是经典 RAG，要升级成 Agentic RAG，本质是让模型从“只在生成参与”扩展到“全链路参与”，把检索变成一个可决策、可路由、可自我评估的系统，并引入可持久记忆与多源工具。这样不仅提升准确性与覆盖率，也能在复杂查询下保持稳健。还有很长的路要走……

7. 为什么 RAG 落地难？解析数据处理 “三重困境”，事件驱动架构如何破局？

8. Milvus 向量数据库实战：从零构建高性能 RAG 系统

9. 《扣子开发 AI Agent 智能体应用》014-基于大模型的企业知识库（知识库的理论基础 RAG）

10. RAG、LangChain、Agent 到底有什么关系？

11. 【文档越多检索越不准？高维向量空间的语义坍缩真相】快速阅读：随着文档量增加，高维向量空间的语义边界会变得模糊，导致检索精度大幅下降。解决办法在于从单纯的“搜索”转向基于图结构的“推理”。把成千上万的文档一股脑塞进 RAG，就像试图在一个溢出的堆内存里寻找一个特定变量。随着文档量突破 10,000 这个临界点，语义空间开始变得拥挤。原本清晰的特征簇在极高维度的压缩下逐渐重叠，每个向量看起来都和别的向量“挺像”。斯坦福的研究揭示了这种现象：当规模达到 5 万份文档时，检索精度会暴跌 87%。这其实就是维度灾难。在高维空间里，数据点趋向于分布在边缘，彼此之间的距离变得几乎相等。此时的语义搜索，找出来的不再是那个最精准的答案，而是一堆看起来都“相关”的噪声。有观点认为，这种现象源于工程实现的局限。目前的做法太过于依赖扁平化的向量检索。真正的知识不是散落在空间里的孤立点，而是一张带有层级、时效和权威性的图。如果只做余弦相似度计算，就无法处理法律条文被废止或辖区变更这种逻辑关联。解决路径正从“增加数据量”转向“优化检索结构”。通过 GraphRAG 引入关系约束，或者利用局部上下文窗口来规避全局坍缩。知识的价值在于连接，而非单纯的堆砌。twitter.com/HowToAI_/status/2043713987171492224

12. 《REFRAG: Rethinking RAG based Decoding》Meta最新发布的REFRAG技术，彻底解决了检索增强生成模型（RAG）最大的瓶颈：解码效率低下。相比传统RAG，REFRAG实现了30倍更快的首词生成速度，同时保持零准确率损失。问题核心在于：RAG在输入大量检索段落时，实际只有5-10段内容对生成有用，剩余多数成为计算负担，但模型仍对所有段落进行全面注意力计算，导致时间和内存资源巨大浪费。传统RAG用16K上下文时，首次输出延迟超过100秒，吞吐量下降10倍，内存消耗爆表。REFRAG通过将上下文块压缩成单一嵌入向量，避免了对全部16,384个token的逐一处理，仅需处理约1,024个压缩块嵌入，极大减少计算量。成果显著：- 首词生成速度提升30.85倍- 语义困惑度（perplexity）无损失- 上下文容量扩展16倍（4K token → 64K token）- 性能超越前沿技术3.75倍为何行得通？因为RAG的注意力模式稀疏，大多数检索段落间无交互。REFRAG通过以下三点巧妙利用这一点：1. 预计算并缓存嵌入，推理时重复使用2. 基于强化学习的压缩策略，智能决定哪些块需展开3. 不受位置限制，任意位置均可压缩实际应用优势：- 仅8段文本的延迟即可达到单段处理速度- 在检索器性能较弱时，依然提升准确率- 可支持无限长会话历史- 无需修改基础模型架构这项技术改变了RAG的计算经济学：更多上下文、更低延迟，且成本更优。REFRAG不仅是性能优化，更是RAG从“功能”向“基础设施”转型的关键一步。它告诉我们，提升AI系统效率的关键不在于盲目增加计算资源，而是精准减少无效计算，压缩信息冗余，从根本上优化流程。更多细节和论文链接见：arxiv.org/abs/2509.01092这背后，技术创新带来的不仅是速度，更是未来大规模长文本理解与生成的基石。希望更多开发者和研究者能从中得到启发，推动RAG技术应用迈入新阶段。

13. //@程序员金俊:虽然 PageIndex 在“深度理解单篇/少量复杂文档”上超越了传统 RAG，但它也有非常明显的局限性：极高的 Token 消耗与延迟：传统的向量检索是毫秒级的计算。而 PageIndex 每回答一个问题，都需要 LLM 介入进行多次思考和树节点遍历。这会导致巨大的 Token 吞吐量和长达数秒（甚至十几秒）的 Latency。在关注运行成本和产出比的工程实践中，这是一笔必须精确计算的开销。不适合海量文档的“广度搜索”：如果你有个包含一万份短小碎文档的 PostgreSQL 知识库，要在其中“大海捞针”，传统的 Embedding + 向量检索引擎依然是无可替代的最佳选择。依赖原始数据的结构化质量：树状索引的质量决定了检索的上限。如果输入的 PDF 是一份排版混乱、毫无标题层级的纯扫描件，PageIndex 赖以生存的导航地图就会失效。总结： PageIndex 并没有淘汰向量 RAG，而是开辟了另一个赛道。向量 RAG 擅长处理“海量、碎片、无结构”的广度召回，而 PageIndex 是一个用来对付“单点、长篇、高结构化”硬核文档的精读智能体。未来更合理的架构，很可能是两者的融合（Hybrid）：用向量做初步过滤，用 PageIndex 的树检索做精准的深度穿透。

14. LightRAG 是一个简单快速的检索增强生成（RAG）框架，能高效整合大语言模型和知识图谱，实现智能文档查询和多模态检索。LightRAG支持多种存储方案（PostgreSQL、Neo4j、Milvus、OpenSearch等），支持文本、图片、表格、公式等多种数据类型的端到端知识抽取和问答。还提供了丰富的示例代码、Web UI，以及支持OpenAI、Hugging Face、Ollama、Azure OpenAI等多家模型接口。项目亮点：- 灵活配置的多存储架构，适合大规模知识管理；- 深度集成知识图谱构建与编辑，支持实体关系管理、知识图谱可视化；- 支持强大的Reranker提升检索效果；- 新增RAG-Anything，打通多模态文档处理与检索能力；- 丰富文档导入格式、引用功能、缓存管理、Token使用统计；- 还支持Langfuse可观测性监控以及RAGAS自动评价指标。无论是科研研究、企业知识库、还是多模态智能问答应用，LightRAG都提供了极具扩展性且高性能的解决方案。GitHub：github.com/HKUDS/LightRAG#在线智能检索# #知识图谱# #大语言模型# #RAG# #开源项目#

15. 整个 RAG 行业即将被颠覆。研究人员开发了一种新的 RAG 方法，它： - 不需要向量数据库。 - 不嵌入数据。 - 不涉及分块。 - 不进行相似性搜索。它被称为 PageIndex。与其将文档分块并塞入 Pinecone，不如构建一个树索引，让 LLM 像人类阅读书籍一样推理。在 financebench 上达到了 98.7%。在排行榜上击败了所有向量 RAG。无嵌入。无分块。无向量数据库。 100% 开源。

16. 在线文档智能检索新利器——OpenRAG（GitHub: github.com/langflow-ai/openrag）是一款集成Langflow、Docling和OpenSearch的Retrieval-Augmented Generation平台，专为实现智能问答和文档搜索设计。OpenRAG核心优势：- 一键安装即用，所有核心组件无缝对接，开箱即用体验。- 支持多文档快速索引，能处理复杂的真实世界数据，实现精准语义检索。- 集成Langflow的可视化拖拽流程编辑器，方便快速搭建和调试RAG工作流。- 以OpenSearch为底层引擎，保证企业级海量数据检索的高性能和稳定性。- 多agent智能协调和重排序机制，提升问答质量和响应智能度。- 提供Python和TypeScript官方SDK，方便开发者灵活集成入自有应用系统。快速上手：1️⃣ 部署OpenRAG（支持Docker、一键安装）2️⃣ 导入文档进行智能语义索引3️⃣ 即刻开始基于大模型的智能聊天问答体验OpenRAG将文档检索和生成式AI完美结合，助力企业和开发者打造强大的智能知识库和客服机器人，体验未来智能搜索的无限可能。#AI创造营##人工智能#

17. 这里说的非常清楚，engram解决的问题就是HBM容量受限的问题，context直接耗费的就是HBM，而RAG采用的是通过检索的方式，动态把知识加载到context。engram的优势在于利用CPU+DDR，把知识存放在HOST侧，通过可预测的HOST侧与显卡的通信，来offload知识。

18. 从RAG到记忆工程：AI长期记忆系统的架构范式与落地瓶颈

19. RAG退潮，“文件系统+grep”回归，智能体检索的返璞归真

20. RAG（检索增强生成）会不会消亡呢？

21. 字节火山开源的上下文数据库OpenViking, 专为 AI Agent 设计。该项目通过文件系统范式，统一管理智能体所需的记忆、资源与技能，解决了传统 RAG 架构中信息碎片化和检索低效的问题。1. 文件系统管理范式 → 解决碎片化问题：基于文件系统范式，将记忆、资源、技能进行统一上下文管理；2. 分层上下文按需加载 → 降低 Token 消耗：L0/L1/L2 三层结构，按需加载，大幅节省成本；3. 目录递归检索 → 提升检索效果：支持原生文件系统检索方式，融合目录定位与语义搜索，实现递归式精准上下文获取；4. 可视化检索轨迹 → 上下文可观测：支持可视化目录检索轨迹，让用户能够清晰观测问题根源并指导检索逻辑优化；5. 会话自动管理 → 上下文自迭代：自动压缩对话中的内容、资源引用、工具调用等信息，提取长期记忆，让 Agent 越用越聪明。项目：github.com/volcengine/OpenViking#HOW I AI# #过个有ai年#

22. RAG 会消亡吗？

23. RAG 退潮背后

24. RAG 不是记忆，RAG 是搜索

25. RAG已死？Agentic RAG

26. RAG已死？不，他只是换了一种形态

27. RAG 已死？大错特错！

28. RAG 不会死，但会"消失"

29. RAG喊死了三年，Glean和DoorDash为什么还在用？

30. 【一个 AI Agent 平台创业者的技术思考系列八】RAG 已死？不，它只是长大了

31. 一文读懂RAG与Agentic RAG，从检索到推理

32. RAG 已死？不，它只是回归数据基建的本质

33. 浅谈 RAG（RAG 已死？）

34. RAG

35. 图解 RAG（二）快速入门｜范式演进

36. Agentic RAG让知识库自己会"想"

37. RAG已死论可以休矣，这7种现代化架构才是AI的未来

38. RAG还没用明白，它就要被淘汰了

39. RAG进化史

40. 为什么现在 RAG 越来越少被提及？

41. 2026年了，RAG还行不行？

42. RAG 正在被高估？Karpathy 的“LLM Wiki”也许才是未来

43. RAG要被淘汰了？Agent转向文件系统

44. 别再被忽悠了

45. 什么是agentic search，是否会替代RAG？

46. 把 RAG 做成主流的公司，现在开始“做空”RAG 了

47. Grep 要取代传统 RAG？？

48. 图解大模型，第九章

49. RAG

50. 大模型RAG（检索增强生成）进化史与底层逻辑

51. RAG详解

52. 一文读懂RAG检索增强生成

53. 别再让大模型胡说八道了！手把手教你用RAG技术，让AI真正长记性

54. 人工智能之RAG工程第三章 Advanced RAG 高级技术与 Paper 解读

55. 面试必考 | GraphRAG vs Agentic RAG

56. RAG技术全解析

57. RAG技术演进

58. AIGC产品经理

59. 突破RAG局限

60. AI算法面试

61. 别再写CRUD了！这套Java企业级RAG开源项目，直接写进简历杀疯了

62. RAGFlow - 开源RAG引擎深度解析

63. 2026年RAG系统Prompt工程的终极指南

64. 准确率98.7%！这个开源项目如何用推理式检索重新定义RAG

65. RAG的碎碎念 RAG的实现思路整理

66. RAG 2.0时代

67. Andrej Karpathy 的 “LLM Wiki” 模式

68. 别再只会搭RAG了，LLM Wiki才是个人和团队知识库的新做法

69. 用 LLM 维护知识库

70. Karpathy的LLM Wiki

71. RAG vs LLM Wiki

72. 超长上下文火了，RAG过时了吗？技术人吵翻了！

73. rag现在发展到什么程度了

74. 美团大模型二面

75. Agentic RAG 前沿调研报告

76. 4种无向量RAG方案——以及向量RAG为何失效（2026指南）

77. 从检索到推理

78. 图谱检索增强生成

79. 【智能体初体验】初识RAG

80. RAG 技术真的“烂大街”了吗?

81. 万字长文梳理2024年的RAG

82. RAG技术如何用7年走完人类千年认知进化史？

83. 数据质量决定RAG成败:关键因素与优化策略深度解析

84. Superintelligent Retrieval Agent: The Next Frontier of Information Retrieval

85. 构建分层的 Agentic RAG 系统:具备自主纠错的多模态推理

86. 电商客服智能体RAG搭建实战

87. 详解大模型RAG技术从概念到索引检索生成两阶段实现原理

88. RAG 的未来,走向繁荣、重塑还是消亡?

89. RAG技术的发展趋势是什么?

90. AI答疑进化史：从关键词匹配到知识图谱RAG经历了什么

91. 收藏备用！一文搞懂RAG与Agentic RAG：大模型进阶必备知识

92. 一文读懂 Agentic RAG 的来龙去脉与实践价值

93. RAG ：为什么它正在从大模型的 C 位悄然退场？

94. RAG 已死？GraphRAG vs Agentic RAG vs 传统 RAG 三方对决

95. 产品经理视角的RAG技术入门指南

96. RAG技术演进：从外部知识库到智能体核心记忆系统

97. UltraRAG:清华开源的首个 MCP 架构 RAG 框架

98. 从"胡言乱语"到"有据可依"：RAG技术正在重塑AI心理健康服务

99. 人工智能之RAG工程第七章 RAG 前沿技术与未来趋势

100. 传统 RAG 已淘汰？Agent RAG才是让AI会思考

101. RAG与Agentic AI：LLM如何连数据打造智能AI

102. 每周技术加速器：UltraRAG：突破传统RAG架构的创新与实践

103. AI Agent的“黄金架构”：LLM + Tool + RAG

104. Adaptive RAG：新一代智能检索增强生成，大模型优化！

105. Karpathy用"harness"彻底终结RAG！AI知识库迎来革命

106. 【必藏】Agentic AI与RAG实战指南：一文理清何时用、何时不用、何时结合

107. 混合搜索 + 重排序：RAG 生产环境检索精度提升实战

108. RAG的未来：3个趋势，为什么90%的AI项目还在用老方法？

109. 2026年AI技术栈演进：大模型、RAG、MCP、Skill四者协同推动AI落地

110. 从RAG到Agentic RAG 的进化之路

111. RAG技术：企业AI落地的关键一环

112. RAG技术全景探秘，RAG技术的二十种形态与AI未来的终极答案

113. 2026年GEO服务商如何利用RAG技术提升内容相关性

114. RAG进阶：下一代RAG怎么玩？

115. 从Naive到Agentic：一张图看懂RAG的8层进化 “RAG已死”的论调最近火了，但这可能完全误解了RAG的进化方向。上周Hacker News上一篇《RAG讣告》引发热议：大上下文窗口和智能体搜索是否真的淘汰了RAG？本期视频，我们不站队吵架，而是系统梳理从Naive RAG到Agentic RAG的8种核心架构。你会发现，它们并非彼此割裂的选择题，而是一条清晰的“智能升维”路径。我们将深入探讨：为什么“grep搜索”无法解决企业级语义检索问题？ RAG架构进化的四大方向：质量控制、多视角、知识结构、自主智能。面对成本、规模、语义理解三大盲区，如何正确选型？给实践者的三个务实建议：如何起步、评测与避坑。无论你是想入门RAG，还是正在为复杂系统选型纠结，这支视频都将为你提供一份“进化地图”。理解方向，远比追逐单个热点更重要。 #RAG #大语言模型 #AI智能体 #检索增强生成 #上下文窗口

116. AI技术演进图谱：RAG技术如何重塑智能故障定位

117. 项目分享｜如何做一个有差异化的 RAG 项目

118. 大模型落地：从玩具到生产工具，跨越价值鸿沟的工程化实战

119. 大模型应用概念解析： Agent、MCP、Skill、RAG、LangChain 与 OpenClaw

120. 拒绝AI胡说八道：我用 Python 手搓了一个金融 RAG 系统

121. RAG-Anything × Milvus：读PDF要集成20个工具的RAG时代结束了！

122. LightRAG_技术介绍

123. RAG检索增强生成和搜索技术的区别与联系

124. 今天来学习 RAG 技术

125. 冷静祛魅与场景深耕：RAG 技术 2025 复盘与 2026 前行方向

126. 图解 RAG（十）快速入门｜反思技术：Self-RAG 与 CRAG 自我纠错

127. 从 Naive 到 Advanced： RAG 落地架构演进指南

128. RAG知识库技术解析：企业AI应用的核心基础设施

129. [ICLR 2026] Interact-RAG：面向语料库的交互式检索增强生成

130. 18k stars！港大开源多模态 RAG，5 个赛道爆发

131. RAG系统出错别再“重跑“了！Doctor-RAG教你精准定位、局部修复

132. 大模型RAG技术，从入门到精通，一文彻底搞懂RAG

133. AI Agent 上的 RAG 死透了吗？

134. 一个有意思的方向，组合创新

135. 程序员必学：模块化RAG架构设计，收藏这份指南快速掌握大模型技术

136. PageIndex：为什么推理式 RAG 才是长文本解析的未来？

137. 企业知识库 RAG 落地：从架构选型到组件决策的完整思路

138. Claude Code + LightRAG：不可阻挡的 Graph RAG 实战（处理上千文档）

139. RAG知识库完整实战手册：从原理到落地

140. RAG知识库要被淘汰了？

141. 西瓜大模型AI大模型RAG项目实战课工程落地解析教程分享 - 哔哩哔哩

142. 《检索优化：让RAG找得更准》拆解四个提升检索准确率的核心杠杆： Query改写：把口语化问题改成更适合检索的表达（直接改写 / 扩展 / 分解）混合检索：BM25精确匹配 + 向量语义理解 + RRF融合 HyDE假设答案检索：先让模型生成假设答案，再用假设答案去检索（反直觉但有效）元数据过滤：检索前先用部门、时间、文档类型等metadata缩小范围同时给出检索不准时的正确排查顺序，避免过早换模型。看完这期，你将掌握召回层的优化方法，知道如何系统性提升RAG的检索质量。 #RAG优化 #检索优化 #Query改写 #混合检索 #HyDE

143. 【熟肉】RAG的终结？深度解析递归语言模型RLM - bycloud

144. RAG+Agent技术重构

145. 一文讲清楚检索增强型文本生成（RAG），极其舒坦的格式

146. Day 19:用RAG构建个人知识库Agent 今天完整实现了一套个人知识库 Agent，核心是RAG架构。整个系统分两条流水线：离线摄入管道把文档解析、分块、Embedding 后存入pgvector；在线问答服务接收提问、检索、生成回答。摄入环节最关键的细节是分块重叠——512字符块之间保留64字符重叠，防止一句话被截断后语义丢失。检索环节用混合检索方案：语义检索找语义相近的内容，BM25全文检索找精确关键词，两路结果用RRF算法融合排序（k=60），无需手动调权重，实测比单路都准。多轮对话最难的是指代消解——用户说「这是什么意思」，AI不知道「这」指什么。解决方案是加一个查询重写节点，用对话历史把当前问题改写成完整独立的问题，整体用LangGraph状态机串行执行。最后引用溯源系统强制模型在回答中标注[1] [2]，并展示对应原文和相关度分数，让答案有迹可查。 #ai #rag #个人知识库 #aiagent #agent

147. 用 Obsidian CLI + LLM 构建本地 RAG：让你的笔记真正「活」起来

148. RAG 检索全攻略：从原理到落地，一篇搞懂混合检索

149. LlamaIndex技术深度解析：从数据框架到高级RAG实践

150. RAG的些许总结

151. LLM中的向量RAG与Graph RAG

152. LLM+RAG+Agent多热点搭配！创新性夯爆的高分思路！！

153. 【RAG技术指南 | 第1期】入门篇：什么是RAG？

154. 别再只会写普通RAG了！试试Agentic RAG

155. 为什么 Claude Code 等主流 Agent 工具不使用 RAG，以及 RAG 的适用场景

156. 别再用 RAG 了！我把 LLM Wiki 升级成客户端了！家人们，上个视频大家对 LLM Wiki 反应很热烈，这次我直接把它升级成客户端了！ ✅ 本地知识库一键录入 ✅ 支持 Deep Research 深度调研 ✅ 主 Agent + 子 Agent 并行架构 ✅ 完全开源，免费自部署演示里用的是 CRM 私域研报，跑出来的效果比单纯 RAG 强太多——它能自己思考、自己调工具、自己汇总，真正的"会干活"的知识库。需要项目地址的家人，点关注私聊我进群拿👇 #llmwiki #ai工具#RAG #Agent #vibecoding

157. 💥RAG已死？卡帕西新架构LLM Wiki爆了！AI从临时工变图书馆馆长，知识永不消失！

158. 图解 RAG（六）快速入门｜检索策略：混合检索与父文档检索

159. RAG—— Modular RAG(模块化 RAG)

RAG不会消失，它只是换了形态

精选参考来源