RAG落地避坑指南：从数据准备到效果评估的四大高频误区_服务软件

1. Milvus 向量数据库实战：从零构建高性能 RAG 系统

2. 《扣子开发 AI Agent 智能体应用》013-基于大模型的企业知识库（企业知识库必要性）

3. 《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）

4. 《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）

5. //@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。

6. 说实话，我一直不明白为何一直有人教用本地模型搭建个人知识库这个事情。。。模型已经训练了人类基本上可以搜集到的所有数据，而工具的能力，可以搜索今天互联网上所有最新的数据。而你所在的行业，如果真的有有价值的私有数据，那么一定是公司已经汇集好并且早就开始运用各种关系矢量RAG微调或者什么乱七八糟的技术，用模型优化好几轮了。你还用你手里那些不知道意义为何的数据去重新喂模型，图什么。。。你以为你手里的数据，6个月后，还值几个钱。。。

7. 【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

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. 超越传统 RAG：知识图谱如何增强 AI 的记忆与推理能力

10. RAG、LangChain、Agent 到底有什么关系？

11. 从能聊天的大模型，到会干活的智能体，AI正迎来全新进化。企业AI落地的机会就藏在这里。#网络名人赞两会 #2026全国两会 #红衣聊AI #产业升级

12. RAG退潮，“文件系统+grep”回归，智能体检索的返璞归真

13. 【2026年AI工程师学习路线：从调用模型到构建系统的九个关键能力】AI工程和传统机器学习工程正在分道扬镳。机器学习工程师从零训练模型，AI工程师则在基础模型之上构建应用。这个转变意味着你需要学习的东西完全不同了。一、理解基础模型GPT、Claude、Gemini、Llama这些基础模型是现代AI应用的基石。你不需要从头训练，但必须深入理解它们的能力边界、分词机制、上下文窗口和定价策略。成本控制能力往往决定了一个AI应用能否活下去。入门项目：做一个模型对比笔记本，用同样的10个提示词测试不同模型，记录质量、速度和风格差异。二、提示词工程在AI工程领域，提示词就是你的代码。一个平庸的AI应用和一个优秀的AI应用，差距往往就在提示词设计上。少样本学习、思维链、结构化输出这些技术能大幅提升效果，而且不需要任何模型训练。入门项目：选一个任务，写五种不同风格的提示词，在电子表格里打分对比。三、检索增强生成大模型有知识截止日期，还会产生幻觉。RAG让它们扎根于你的数据。从客服机器人到内部知识助手，这是生产环境中最常见的AI应用模式。分块策略、嵌入模型、向量数据库、检索指标，这些都是必修课。入门项目：用你自己的笔记文件搭建一个简单的RAG应用，50行代码就能跑起来。四、评估与测试凭感觉评估无法规模化。你需要系统性的方法来衡量AI应用是否在进步：构建评估数据集、选择指标、跑AB测试、检测性能退化。没有好的评估体系，你就是在盲飞。入门项目：准备20个问答对，写个脚本自动评分，每次改提示词都跑一遍。五、智能体与工具调用智能体把大模型从文本生成器变成行动执行者。它们能浏览网页、执行代码、查询数据库、调用API。理解智能体架构、工具设计和失败模式，是构建自主AI系统的关键。入门项目：做一个计算器智能体，让它通过调用工具来回答数学问题。六、结构化输出与数据提取真实应用需要结构化数据，JSON、SQL、API调用，而非自由文本。JSON模式、函数调用、约束生成这些技术确保大模型输出能与下游系统对接。这是对话式AI和软件工程之间的桥梁。入门项目：做一个食谱提取器，把网页上的乱七八糟的文本变成干净的JSON结构。七、护栏与安全AI应用可能被越狱、产生有害内容、泄露敏感信息。输入输出护栏、隐私检测、内容过滤、对抗测试，这些在生产部署中不可或缺。入门项目：给你的聊天机器人加上简单的输入输出过滤，用关键词匹配检测提示词注入。八、可观测性与监控无法衡量就无法改进。生产级AI系统需要日志、追踪、成本跟踪、质量监控和告警。入门项目：给你的应用加上调用日志，记录时间戳、提示词、响应、延迟、token数量和估算成本。一周后分析数据，你会发现很多优化空间。九、AI系统架构真实的AI应用是多个组件的组合：检索器、模型、护栏、缓存、数据库。理解复合AI系统的设计模式，才能构建可维护、可测试、可扩展的架构。综合项目：做一个个人助手机器人，整合RAG、结构化输出、输入验证和日志记录，部署到免费平台上。这就是一个能展示真实能力的作品集项目。有评论提出了一个值得深思的观点：2026年AI工程师真正的核心能力，是知道哪些层该自己掌控，哪些层该交给框架处理。这个答案每个季度都在变。智能体正在以超出学习速度的节奏压缩技术栈，RAG、结构化输出、护栏越来越多地被内置到平台中。学会构建固然重要，学会判断何时不必亲自构建，可能更重要。x.com/manthanguptaa/status/2018297734995075200

14. 【向量数据库被颠覆？一个无需嵌入的RAG新思路】最近开源社区出现了一个有意思的项目PageIndex，它提出了一种完全不同的RAG实现路径：用文档树结构替代传统的向量嵌入，在FinanceBench基准测试上达到了98.7%的准确率。这个方案的核心理念是让大模型直接在文档结构上进行推理，而不是通过关键词匹配来检索。不需要嵌入，不需要分块，完全开源。听起来很激进，但仔细想想，这其实回归了一个朴素的问题：人类阅读文档时，依赖的是什么？是语义相似度，还是章节、标题、表格这些结构化线索？对于金融报告、法律合同、合规文档这类天然具有清晰层级结构的内容，让模型沿着文档树进行推理，确实比把文档切成碎片再用向量匹配更符合直觉。结构优先的检索方式，也让引用溯源变得更加可靠。但社区的实测反馈也很真实。有人指出它目前只能处理单个文档，跨文档比较和相似性匹配这类场景还是需要向量数据库。也有人反映速度偏慢，对于简单查询来说，逐层遍历节点的开销不小。还有人质疑：面对大规模非结构化数据，这种方案能否扩展？一位开发者的评论很中肯：向量数据库能用廉价的数学运算实现毫秒级检索，而PageIndex依赖的是昂贵且缓慢的大模型推理，在需要扫描海量文档的场景下，可行性存疑。所以这不是一个“谁取代谁”的故事。更准确的理解是：RAG的工具箱里多了一件趁手的武器。结构化文档用文档树，非结构化内容用向量嵌入，复杂场景可能需要混合方案。技术选型从来不是非此即彼。真正的答案永远是：在你自己的数据上跑一遍基准测试。 GitHub：github.com/VectifyAI/PageIndex x.com/dr_cintas/status/2019045152350756869

15. Boris（Claude Code 创始人）解释为什么 Claude Code 不用 RAG 向量检索代码：在开发 Claude Code 的早期版本时，我们曾尝试过 RAG 搭配本地向量数据库的方案。但很快我们就发现，Agent 使用关键字搜索在实际应用中的表现通常要出色得多。这种方案不仅实现起来更加简洁，而且还完美避开了 RAG 模式下那些令人头疼的“老毛病”：比如数据安全性、隐私泄露风险、信息滞后以及系统可靠性等问题。

16. 构建智能问答系统通常面临查询模糊、上下文理解不足和检索效率低等挑战。Agentic RAG for Dummies 是一个基于 LangGraph 的极简 Agentic RAG（检索增强生成）框架，帮助你用最少代码快速搭建具备会话记忆和人机交互查询澄清能力的生产级系统。项目集成了多功能模块： - 会话记忆，保持对话上下文连贯； - 智能查询澄清，自动重写或请求补充信息； - 分层索引，实现精准且上下文丰富的检索； - 多Agent并行处理复杂多问； - 灵活切换多种大语言模型（Ollama、OpenAI、Google Gemini 等）； - 开箱即用的 Gradio Web UI，方便体验和部署。无论是学习 RAG 基础，还是构建定制化应用，这个项目都提供了交互式笔记本和模块化代码两条路径，助力开发者快速上手并轻松扩展。 GitHub 地址：github.com/GiovanniPasq/agentic-rag-for-dummies/ 主要功能： - 支持多轮对话记忆，提升问答自然度； - 自动拆分复杂查询，精准定位信息点； - 结合关键词稀疏向量和语义稠密向量的混合检索； - 内置人机交互机制，避免误解或无效查询； - 多Agent协同，提升复杂问题的处理效率； - 完整文档处理流水线，支持 PDF 转 Markdown 及分块索引。适合 AI 研究者、开发者及数据工程师，轻松构建满足生产需求的智能问答系统。

17. 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。

18. 【别再用AI盲盒了：10个概念决定你的效率边界】如果你每天都在用AI，却从未思考过它如何工作，那你很可能只是在用一个昂贵的打字机。+ Token：模型眼中的计量单位当你向ChatGPT输入一段话，它读取的不是文字，而是token。大约每3-4个字符构成一个token，“Unbelievable”是4个token，“AI”是1个。这不是技术细节，而是真实的工作边界。每个模型都有token上限，超出后，它会开始遗忘对话前半部分的内容。很多人把50页文档塞进提示词，然后抱怨输出质量差，问题就出在这里。模型根本没“读完”你的文档，它在半路就用完了预算，剩下的都是猜测。更短、更密集的上下文，永远能换来更好的输出。+ 上下文窗口：模型的白板有边界上下文窗口是模型的工作记忆，你的提示词、对话历史、附加文档，全部都要挤进这个窗口。把它想象成一块白板，满了就得擦掉旧内容腾空间。大多数人把上下文窗口当作无限存储，这是幻觉。模型不会记得上周的对话，也不会记得3小时前另一个会话里你说了什么。每次会话都是从零开始，如果你想让它“记住”什么，必须手动放回去。+ 温度值：创造力的刻度盘温度控制着模型的“创造性”。低温度（0.1）意味着精准、可预测、近乎机械；高温度（0.9）则创意十足、充满惊喜、偶尔失控。写代码或提取数据？把温度调低，你要的是准确而非创意。头脑风暴或写营销文案？提高温度，让模型冒点险。一个参数，输出质量天差地别。+ 嵌入：AI如何理解意义嵌入是AI理解含义而非文字的方式。每个词、句子或文档都会被转换成一串数字（向量），相似的含义会得到相似的数字。这就是为什么搜索“汽车”能返回“车辆”或“交通工具”的结果。这是RAG系统、语义搜索和推荐引擎背后的引擎。当你的AI在回答前“检索”相关文档时，它其实在比较嵌入向量，寻找意义上最接近的内容。如果你在构建任何处理数据的AI产品，必须理解这一点。+ RAG：不是让模型更聪明，而是让它见多识广RAG（检索增强生成）等于在模型回答前，给它注入新鲜、相关的信息。它不依赖训练数据（那些有截止日期的知识），而是实时提取数据并注入提示词。这就是AI能回答你公司特定文档问题的原因。但人们常误解的是：RAG不会让模型变聪明，只会让它变得见多识广。糟糕的检索等于糟糕的答案。即便是最强的模型，如果你喂给它错误的上下文，它也会胡编乱造。RAG系统的质量几乎完全取决于检索质量，而非模型本身。+ 微调：最后的手段，不是第一步微调是拿一个预训练模型，用你自己的数据继续训练它。就像雇一个全科医生，然后送他去读6个月的外科专科。同样的基础智力，现在专攻你的特定场景。但所有人都搞错了：微调不是第一步，而是最后手段。在微调之前，先试试更好的提示词、试试RAG、试试少样本示例。微调昂贵、缓慢，还会把你锁定在某个模型版本上。只有在其他方法都失败后才考虑它。+ 幻觉：模式完成的副作用幻觉是AI自信地陈述完全错误的事实。它不是在撒谎，它甚至不知道自己错了。它只是基于训练数据完成模式，有时模式会指向一个听起来对但实际错误的方向。可怕的是：陈述越自信，人们越相信。解决方案不是“用更聪明的模型”，而是给模型一个可依据的来源。使用RAG，要求它引用出处，告诉它“不知道就说不知道”。当你限制模型的活动范围，幻觉会大幅减少。+ 代理（Agent）：不是聊天机器人，而是分布式系统AI代理不只是聊天机器人。它是一个能采取行动的模型，搜索网页、编写运行代码、发送邮件、调用API，循环往复直到任务完成。模型根据刚发生的事情决定下一步做什么。你见过的大多数演示版“代理”都是假的。真正的代理需要记忆、错误处理、工具使用、回退逻辑和安全防护。大多数创业公司发布的，不过是调用3个API端点就自称“自主”的提示词。真正的代理是分布式系统，要用那样的思维构建它们。+ 系统提示词：看不见的规则层系统提示词是每次对话上方的隐形指令层。你看不见它，模型看得见。在这里定义角色、规则、语气、约束和任务，这是通用聊天机器人和专业工具的分水岭。大多数人纠结用户消息，却忽略系统提示词，这是本末倒置。弱的系统提示词意味着模型每次都要猜你的意图；强的系统提示词意味着模型在你开口前就知道自己是谁、在做什么、如何行事。+ 上下文工程：新技能正在取代提示词工程提示词工程关乎你问什么，上下文工程关乎模型看到的一切：包含什么、排除什么、顺序如何、格式怎样。今天最优秀的AI工程师不是在写巧妙的提示词，而是在做架构决策：什么信息进入上下文窗口，何时检索何时预加载，什么该总结什么该逐字保留，如何在长任务中构建记忆。掌控上下文，就是掌控AI。简评：你的效率边界，并不由OpenAI或Anthropic决定，而由你对这10个概念的掌握程度决定。入门级：懂得Token和上下文窗口，不乱喂数据。进阶级：善用RAG和System Prompt，解决幻觉问题。大师级：掌握上下文工程与代理（Agent）架构，将AI封装为可自动化的智能体。停止把AI当成盲盒，开始把它当成一套精密的工程系统来构建。x.com/alex_prompter/status/2024073869452358017

19. RAG（检索增强生成）会不会消亡呢？

20. 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#

21. 【保姆级】RAG智能体终极方案：n8n+Google File Search，零门槛搭建高精度RAG工作流！

22. 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#

23. Claude 1M正式上线，价格一分不涨，搭了半年RAG的人崩了。。。

24. 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#

25. 一篇讲清RAG、LangChain、Agent三者关系！

26. 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。

27. 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？

28. OWASP发布生成式AI安全治理检查清单，助力企业应对LLM风险

29. 哎就那几个外行骂骂咧咧说 Windows 不适合做 AI 说没法启动 CoWork 的结果呢龙虾AI Claude 一个星期都出 Windows 版了又有大尾巴狼说向量搜索 RAG 不适合做代码GitNexus 转脸就上线了见识就豆大那么一点只会事后诸葛亮地解释别人眼前那点成功能成个屁

30. 2026年程序员不懂RAG+Agent，将会落后于职场

31. RAG知识库10大误区及准确率提升方法

32. 企业RAG落地踩的7个坑

33. RAG 交付 03

34. AI实操

35. RAG的"至暗时刻"

36. 【GEO实战密码】用RAG给企业知识装上“外挂”

37. RAG、微调、还是混合架构？一文讲透企业 AI 落地的正确姿势

38. RAG vs 微调 vs 长上下文

39. Agentic RAG 从范式到落地

40. Skill-RAG:RAG检索失败不是多检索几次就能搞定的

41. RAG 不是做出来就结束了

42. RAG 效果差，80% 的问题和模型无关

43. RAG系统被低估的环节

44. 致命失误！一个RAG切分操作，让AI成本直接翻倍（附避坑指南）

45. RAG 数据工程实战

46. 端到端RAG优化，从分块到检索到生成的每一个坑我都踩了

47. 优质的知识底座，才是企业RAG落地的“底气”

48. RAG项目失败？90%是因为没做这5步数据准备

49. 90%的RAG系统都在"撕碎"文档

50. RAG知识库建设

51. 蚂蚁面试官追问

52. 面试高频题

53. 嫌 RAG 慢且贵，来试试五层缓存架构

54. RAG 已死，LLM Wiki 永生

55. 滴滴面试官

56. 纯RAG就是个“半成品“

57. 2026年了，RAG还行不行？

58. RAG？还是文件系统 + grep？

59. 为什么现在 RAG 越来越少被提及？

60. RAG退潮，「文件系统+grep」回归

61. 在RAG文档处理中——表格数据的处理思路

62. RAG喊死了三年，Glean和DoorDash为什么还在用？

63. 用 LLM Wiki 搭一个制造业设备维护知识库，不再让 RAG 每次都从 0 开始

64. RAG进阶

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

66. 4种无向量RAG方案——以及向量RAG为何失效（2026指南）

67. 图解 RAG（十）快速入门｜反思技术

68. 今天来学习 RAG 技术

69. 淘天大模型三面

70. 群英论“数”｜RAG知识问答系统落地方案

71. 人话版AI词典 | 第9期

72. 人工智能之RAG工程第四章 RAG 系统评估与效果调优

73. 一文讲清楚 RAG 的评价指标

74. 告别“一本正经地胡说八道”

75. RAG 的检索模块是怎么优化的？

76. 图解 RAG（六）快速入门｜检索策略

77. 面经分享｜AI Agent面试必备 RAG 系统优化

78. 图解 RAG（五）快速入门｜查询优化

79. 为什么很多 RAG 项目能演示，不能上线

80. 从零构建企业级RAG知识库系统｜全链路架构拆解与落地最佳实践

81. 一文详解

82. 提升 RAG 准确率的 5 种方案！

83. 三、如何上手 RAG？

84. 为什么你的RAG总是答非所问？企业级实战避坑指南

85. DeepSeek+RAGFlow 私有 AI 知识库部署指南

86. 企业级RAG落地思考

87. 企业级 RAG 中台怎么做

88. 企业级RAG落地的核心逻辑和优化路径

89. RAG在实际落地过程中，有哪些让人棘手的核心难点？

90. RAG三层指标：召回/重排/生成各测什么，才能定位“到底哪里错”

91. RAG 分块策略选不对，检索效果差一半

92. RAG系统到底该怎么测试效果？AI知识库上线之后，真正难的是评估

93. 阿里大模型二面：如何全面地评估一个RAG系统的性能？请分别从检索和生成两个阶段提出评估指标

94. RAG跑通demo只要50行，上线后我崩溃了5次

95. 为什么很多 RAG 项目能演示，不能上线

96. 蚂蚁大模型三面：RAG系统怎么评估？测试集构建、检索指标、生成指标全拆解

97. RAG知识库从0到1：选型、搭建、测试、优化完整工程指南

98. RAG从入门到精通：优化与最佳实践，让你的智能客服性能飙升！

99. 为什么单一 RAG 不够用？我的解决方案思路分享

100. RAG优化技术：问题改写，让检索准确率直接翻倍

101. RAG 的文本分块怎么做？面试官最爱问的切分细节

102. RAG优化核心：元数据过滤，让AI检索更精准、更高效

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

104. 为什么上了RAG数字员工还是“不够准”？企业AI落地最容易踩的坑

105. 基于Spring Boot的RAG实践：用Java构建检索增强生成式AI

106. 大模型知识体系 L3-1 RAG知识库进阶篇

107. 字节一面问：你做RAG项目中，数据切分和清洗是怎么做的？

108. 图解 RAG（九）快速入门｜生成优化：让 LLM 输出更忠实、更准确

109. Dify知识库从Demo到生产：RAG构建企业级私有知识库的7个关键步骤

110. 你的 RAG 行不行？四维评估体系实战

111. 大模型工程师：评价RAG项目效果

112. RAG 文档切分、索引优化与 Reranker 学习笔记

113. AI产品经理必知：RAG做文档切块的5种策略

114. 9个RAG调优方法——高级RAG

115. RAG做不好？效果差？99%的人都是检索没做好！ RAG的成功关键在于检索模型，而非生成。优化框架包括意图识别、检索策略、内容过滤和生成增强。要提高RAG效果，需关注高频问题库、分块策略和多能对话。RAG做得好是一个检索系统，否则只是一个高级搜索框。#AI #RAG #Agent #大模型 #人工智能

116. 面向 LLM 的程序设计 14：RAG 与检索块进入上下文的工程化——分块、元数据、去重与注入模板

117. 搭了个RAG知识库被骂不靠谱，排查一整夜后我终于明白问题出在哪 - 哔哩哔哩

118. 解决RAG检索“失准”难题：宝兰德DeBot的检索优化实践

119. RAG 系统优化实战：从 2 秒到 200ms 的 9 个关键优化点

120. 优化你的RAG 系统？从文档切片开始！

121. RAG 交付 06：如何判断一个 RAG 真的好用

122. 图解 RAG（十一）快速入门｜评估与优化：RAGAS 框架与幻觉抑制

123. 《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

124. 搭了个RAG知识库被骂不靠谱排查一整夜后我终于明白问题出在哪自建RAG知识库频频翻车、回答离谱被吐槽。通宵排查后摸清核心症结：粗暴文本切块、单向量检索局限、提示词过于简陋。分享实用优化方案：分层语义切片、检索加重排、规范指令约束，轻松解决RAG不靠谱、幻觉严重的通病。#ai面试 #ai开发 #后端面试 #前端面试 #全栈面试

125. 传统 RAG 已淘汰？Agent RAG才是让AI会思考

126. 京东大模型二面：你的RAG系统首字响应要5秒，怎么优化？

127. 🔥万字详解：RAG的5种文档切分策略 ✨RAG 应用中遇到的外部文档可能会非常大。因此，需要通过分块（chunking）将大型文档划分为更小且可管理的部分。这样可以确保文本适配嵌入模型的输入大小，同时还能够提高检索质量。 . 👇👇以下是适用于 RAG 的五种分块策略： 1️⃣固定大小分块按预定义的字符数、单词数或 Token 数量对文本进行切分，同时保留一定的重叠部分。这种方法实现简单，但可能会将句子截断，从而导致信息分散在不同的块中。 . 2️⃣语义分块 🔸根据有意义的单元对文档进行分段。 🔸持续将单元添加到现有块中，直到余弦相似度显著下降。 🔸一旦下降明显，就开始新的分块。与固定大小分块不同，这种方法能够保持语言的自然流畅性。 . 3️⃣递归分块 🔹基于内在分隔符（如段落或章节）进行分块。 🔹如果某个块的大小超过限制，则将其进一步分割为更小的块。这种方法能够保持语言的自然流畅性。 . 4️⃣基于文档结构的分块利用文档的内在结构（如标题、章节或段落）进行分块。这种方法能够保持文档的自然结构，但前提是文档具有清晰的结构。 . 5️⃣基于 LLM 的分块使用提示引导 LLM 生成有意义的分块这种方法能够保留语义准确性，因为 LLM 可以理解上下文和含义。然而，它的计算成本较高，并受限于 LLM 的上下文长度。 . 每种分块技术都有其自身的优点和权衡。选择哪种策略取决于数据的特性、嵌入模型的能力、计算资源等因素。 #RAG #AI #人工智能 #大模型 #大模型应用

128. RAG系统落地（三）：为什么RAG慢？

129. RAG 评估实战指南：用 RAGAS + LangFuse 构建可量化的检索增强生成系统

130. 面试常问的RAG文本向量检索不准怎么办？

RAG落地避坑指南：从数据准备到效果评估的四大高频误区

精选参考来源