RAG不是万能药，但仍是可信AI的必经之路_服务软件

1. 多模态 RAG 才是企业知识库低效瓶颈的解药？

2. RAG退潮，“文件系统+grep”回归，智能体检索的返璞归真

3. 深度解析RAG、LangChain、Agent三者间的关系（附应用案例+大厂内部资源合集）

4. 超越传统 RAG：知识图谱如何增强 AI 的记忆与推理能力

5. 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？

6. RAG、LangChain、Agent 到底有什么关系？

7. AnythingLLM是开源企业级私有知识库工具，核心基于检索增强生成（RAG）技术，专注本地文档语义解析与安全问答，无需依赖公网服务，适配企业内部知识沉淀、合规场景问答、跨部门信息共享等需求。 GitHub:github.com/Mintplex-Labs/anything-llm 主要功能： 1. 多格式文档兼容：自动解析PDF、Word、TXT等主流文档格式，批量构建结构化知识库；2. 全链路本地化：支持Ollama等本地模型部署，文档与对话数据不上云，完全保障隐私；3. 精准语义检索：基于向量数据库实现深度语义匹配，答案附带原文溯源，避免AI幻觉；4. 多端灵活部署：支持Docker自托管、服务器部署与桌面端运行，适配不同企业环境；5. 无代码快速搭建：可视化界面管理知识库，无需专业AI知识即可完成部署与维护；6. 生态扩展能力：支持自定义向量数据库接入、模型切换，可嵌入CRM等现有业务系统。操作门槛低，企业无需组建专业AI团队。实际使用中，跨部门文档检索效率提升80%+，合规场景下可满足数据本地化要求，是解决企业知识分散、检索低效且注重隐私安全的核心工具。

8. 《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）

9. 做了个RAG评估小框架开源做RAG时发现，麻烦的往往是数据处理到评估的那条流水线。所以顺手写了个工具，用中文数据集做基准，内置标准流程，方便快速试不同的检索和生成方案平时主要用它两件事，一是快速验证新想法，不用重复写脚本，二是在同一套指标下对比不同策略，看问题出在哪#rag#

10. 《扣子开发 AI Agent 智能体应用》016-基于大模型的企业知识库（知识库实战：打造汽车行业智能客服）

11. 刚刚，腾讯姚顺雨署名首篇论文发布，「下半场」先搞上下文学习

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. 函数计算 AgentRun 重磅上线知识库功能，赋能智能体更“懂”你

14. 「Github一周热点107期」OpenAI收购的AI安全工具、AI代理事务所、OpenClaw技能库、claude code插件和上下文数据库

15. 微表情测谎、极速赔付、AI打败AI，深聊“AI in All”下的保险革命与增长飞轮【硅谷101】

16. 帮普通人「驯服」Agent，这支硅谷初创团队冲上了X全球热搜

17. 深度｜Agent Harness：当驯化Agent取代通用代理成为硅谷新共识

18. 2026年程序员不懂RAG+Agent，将会落后于职场

19. 《扣子开发 AI Agent 智能体应用》015-基于大模型的企业知识库（扣子知识库介绍）

20. 【AI人工智能】题库:纯公益分享【就业+考研】笔试+面试必会【小白从小学Python,C,Java】知识点名称AI中RAG检索增强生成知识点讲解检索增强生成（Retrieval-Augmented Generation，RAG）是一种将检索系统与生成模型结合的架构，模型在生成答案前先从外部知识库（如文档、数据库）检索相关内容，再基于检索结果生成响应，从而缓解大语言模型的幻觉问题、提升答案的事实性和时效性。它通常包括检索器（Retriever，如Dense Passage Retrieval）和生成器（Generator，如LLM）两部分。例题（单选题）RAG的主要优势是什么？A选项：结合外部知识减少幻觉提升事实性B选项：取代模型的参数化知识C选项：仅依赖模型内部参数生成D选项：减少模型参数量压缩体积答案与题解答案、题解：见评论区温馨期待期待大家提出宝贵建议，互相交流，收获更大，助教：lxy#AI创造营# #科技风向标# 网页链接

21. 能否使用RAG技术来解决大模型的长期记忆问题？

22. P99延迟降72%、成本降83%！字节跳动Agent上下文平台首度公开

23. 「Github一周热点95期」META 3D 模型、智能体记忆引擎、向量数据库、 Web 3D 引擎、AirPods 跨平台、数据库管理工具

24. 【研究提出结构感知检索增强生成方法】近日，中国科学院计算机网络信息中心提出一种面向Web端科学可视化的结构感知检索增强生成方法。该方法引入管线规划与模块感知的匹配策略，有效缓解了大语言模型直接生成科学可视化代码时存在的结构缺失、算子误用和顺序错误等问题，实现由自然语言指令到可视化结果的可执行流水线自动化构建。在转子切片分析、海洋气象流线生成以及等值面提取等典型任务中，该方法展现出良好适用性。评估结果显示，相较于直接利用大语言模型生成可视化结果的方法，该方法可将人工修正成本平均降低79.1%。基于此，团队进一步研发了面向科学可视化流水线构建的交互式分析与评估系统，支持科研人员通过交互式分析界面对生成结果进行即时验证与反馈，提升了科学分析效率与结果可靠性。相关研究成果已被2026年PacificVis VisMeetAI研讨会收录，并发表在Information Visualization上。研究工作得到中国科学院战略性先导科技专项等的支持。#中国科普博览#

25. 中国AI：落地才是硬道理

26. 基于 Ray 的蚂蚁数据构建引擎在搜推、RAG 场景的实践

27. AI开发常常需要切换多个资源库，查文档学Oracle AI Database、找Notebook实验代理系统、看教程建RAG应用，来回折腾效率低下。Oracle AI Developer Hub 把AI开发所需资源全整合，提供完整的Oracle AI Database + OCI服务开发解决方案。包含完整应用demo、Jupyter Notebook、动手workshop、代理记忆包，甚至企业级AI代理架构指南。GitHub：github.com/oracle-devrel/oracle-ai-developer-hub主要功能：- 完整AI应用demo（/apps），展示端到端RAG代理、金融AI助手、健身追踪器等实战案例；- 丰富Jupyter Notebook（/notebooks），覆盖RAG、多代理CoT、混合搜索、11种认知架构实验；- 动手workshop（/workshops），从信息检索到记忆增强代理的全栈学习路径；- Oracle AI Agent Memory包，支持统一内存核心（对话历史、持久事实、实体状态）；- 详细指南（/guides），企业AI代理大脑/骨架构建、记忆工程学科深度解析；- 多云支持，AWS/Azure/Google Cloud + Oracle AI Database集成样例。支持Jupyter、Python、FastAPI、LangChain等多框架，Codespaces一键环境，适合AI工程师和开发者使用。#OracleAI##AI开发##RAG代理#

28. 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……

29. Milvus 向量数据库实战：从零构建高性能 RAG 系统

30. //@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。

31. 如何看待企业自建AI知识库?

32. 「Github一周热点98期」AI文档检索框架、微软最新TTS、Claude Code 记忆插件、自动化备份、 jellyfin和linux桌面环境

33. 今天来学习 RAG 技术

34. 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

35. 【AI知识点】一文读懂 RAG (检索增强生成)

36. RAG知识库技术解析

37. 揭秘RAG

38. 【RAG技术指南 | 第1期】入门篇

39. 图解 RAG（十）快速入门｜反思技术

40. RAG 不是万能药

41. 我算是见识到算法岗rag面试强度了。

42. RAG原理介绍

43. 从"检索"到"编译"

44. RAG 检索增强生成

45. 检索增强生成（RAG）

46. RAG（检索增强生成）原理及全流程详解

47. RAG技术原理

48. 什么是检索增强生成？（白话版）

49. 【2026年学RAG】一个月学

50. rag（检索增强生成）技术分享

51. RAG技术演进

52. rag增强是什么捏

53. 爆肝30天！这绝对是全B站最好的企业级RAG入门到精通全套视频教程，全程干货！看完少走99%弯路！

54. 检索增强生成（RAG）——简介

55. 前瞻技术-什么是基于本体增强的检索增强生成

56. 别再被坑了！RAG还是微调？90%的人都选错了

57. RAG不是比微调”更准”，而是分工不同

58. RAG vs 微调 vs 长上下文

59. 阿里二面

60. RAG和微调的区别和优缺点有哪些？

61. 为什么我不再相信RAG？实战RAG弊端揭秘

62. RAG 为什么总是“看起来能用，实际不好用”？

63. 超长上下文火了，RAG过时了吗？技术人吵翻了！

64. 老涮讲AI

65. Anthropic 带你入门 Contextual Retrieval

66. 云问NLP研究院-大模型落地实践01｜知识库 ≠ 文档库:RAG在企业落地的5个执行级陷阱

67. 企业知识库下一站

68. 优质的知识底座，才是企业RAG落地的“底气”

69. 企业级RAG落地思考

70. 别只跟风做RAG！企业AI落地的核心底牌，是搭建专属知识底座

71. 很多企业做 AI 知识库，第一步就做错了

72. AI 知识库 vs RAG

73. RAG知识库完整实战手册

74. 企业级 RAG 知识库搭建

75. 纯RAG就是个“半成品“

76. 一文讲清楚 RAG 的评价指标

77. RAG知识库10大误区及准确率提升方法

78. RAG的公平性陷阱

79. 为什么你的RAG准确率只有40%？

80. RAG 检索总是答非所问？LlamaIndex 小索引大窗口 + 混合检索 + 智能路由三招解决

81. 父子文档块检索

82. 混合搜索 + 重排序

83. 为什么上下文是 AI 的新货币

84. 为何上下文成为人工智能领域的“新贵”

85. AI幻觉终结者？最新RAG技术如何重塑智能对话的可靠性

86. RAG技术原理与应用

87. 大模型幻觉的缓解策略

88. 淘宝技术一面

89. 什么是agentic search，是否会替代RAG？

90. 从传统 RAG 到 Agentic RAG

91. 美团大模型二面

92. RAG 的尽头是本体

RAG不是万能药，但仍是可信AI的必经之路

精选参考来源