RAG上线总失败？80%问题出在这三个设计漏洞_服务软件

1. 动动嘴写SQL！Codex+终身记忆，OpenAI把查询难度直接归零

2. 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。

3. 3月30日deepseek更新的分步检索功能是否意味着即将推出V4版本？

4. 【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

5. AI 术语通俗词典：RAG

6. OpenKG 首发 SkillNet：大规模智能体“技能图谱”知识库

7. 「Github一周热点第111期」 Karpathy大神的Claude Code配置，更适合程序员的显示器RD270Q

8. memsearch：OpenClaw同源的记忆系统Zilliz 最近开源了 memsearch，从 OpenClaw 的记忆系统里提取出来的，核心思路很干净：Markdown 文件就是记忆的唯一真相。设计理念：Markdown is the source of truthAgent 的记忆就是本地文件，按天存，人能读、能改、Git 可以管理版本。索引坏了？删掉重建，原始记忆一行不丢。这是对"数据库黑盒"方案的直接反叛。三步记忆范式- Recall：用混合检索（向量语义 + BM25 关键词）从历史记忆里找相关上下文- Think：把检索结果注入 LLM，做有记忆支撑的推理- Remember：把这次对话写回 Markdown，自动重新索引几个工程细节值得关注- SHA-256 内容哈希去重：内容没变就不重复 embed，大幅降低 API 成本- 文件监听自动索引：开启后，文件一保存立刻更新向量库，删文件时对应 chunk 也同步清除- 多 embedding 引擎：支持 Gemini、Voyage AI、Ollama（本地）、sentence-transformers（离线），换引擎只改配置，历史记忆不影响和 Mem0 / Zep 的本质区别Mem0、Zep 把记忆存在数据库里，人看不到、改不了、换供应商就麻烦。memsearch 的记忆就是普通文本文件：看改动，查历史，跨机器同步，零供应商锁定。主要短板：暂不支持时序关系图谱和多 Agent 共享记忆，适合单 Agent 长期记忆场景，不适合复杂多 Agent 协作系统。🔑 三个关键点① Markdown 文件即记忆，人类可读可编辑，彻底解决 AI 记忆的"黑盒"问题② 混合检索（向量 + BM25）比单纯语义检索精度更高，"Redis 缓存"能精确匹配到相关决策③ SHA-256 去重 + 文件监听自动索引，工程上几乎是零维护成本GitHub：github.com/zilliztech/memsearch#how i ai##程序员#

9. RAG退潮，“文件系统+grep”回归，智能体检索的返璞归真

10. 【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

11. 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？

12. Hologres 4.0：面向 AI 时代的一站式多模态分析检索平台

13. 人工智能通识课：知识图谱基础

14. 文档平台 Mintlify 发了一篇工程博客，讲了一件挺有意思的事：他们给自家 AI 文档助手造了一套假的文件系统，叫 ChromaFs，让 AI 以为自己在用 grep、cat、ls 这些命令浏览文件，实际上每个命令都被拦截、翻译成了数据库查询。效果很直接：会话启动时间从原来沙箱方案的 46 秒降到 100 毫秒，每次对话的边际计算成本几乎为零。Mintlify 之前的方案是标准的 RAG 流程：把文档切块、向量化、存进 Chroma 数据库，用户提问时检索最相关的片段喂给大模型。问题是，如果答案分散在好几个页面里，或者用户要的是某段精确的代码语法，向量检索经常找不对。他们想让 AI 像开发者翻代码一样翻文档，而不是靠语义相似度碰运气。核心思路是：AI 不需要真的操作系统，只需要一个足够逼真的幻觉。ChromaFs 基于 Vercel Labs 的开源项目 just-bash（一个用 TypeScript 重写的 bash 子集）构建。just-bash 提供了可插拔的文件系统接口，负责解析命令和管道逻辑，ChromaFs 则把所有底层文件操作翻译成 Chroma 数据库查询。每个文档页面变成一个"文件"，每个章节变成一个"目录"，AI 就可以用 grep 搜精确字符串、用 cat 读整页内容、用 find 遍历结构。之前用真沙箱的方案（给每个用户起一个微型虚拟机），按 Mintlify 月均 85 万次对话的量算，一年光计算成本就要 7 万美元以上。ChromaFs 复用了已有的数据库基础设施，这笔钱省了。grep 是最难虚拟化的命令。如果真让它逐文件扫描，走网络 IO 会很慢。ChromaFs 的做法是先把 grep 的参数解析出来，用 Chroma 的元数据查询做粗筛，找出可能命中的文件批量预取到缓存里，再让 just-bash 在内存中做精确匹配。权限控制也很优雅：初始化时根据用户身份裁剪文件树，没权限的路径直接从树里删掉，AI 连路径都看不到，不存在越权风险。所有写操作一律返回"只读文件系统"错误，AI 能随便看但改不了任何东西，整个系统无状态，不用担心清理和数据污染。这篇文章在 Hacker News 上引发了一个有意思的讨论。好几位开发者指出，大家不知不觉中把 RAG（检索增强生成）等同于了向量搜索，但 RAG 里的 R 是 Retrieval（检索），本来可以是任何方式：全文搜索、SQL 查询、甚至翻电话簿。把 RAG 绑死在向量数据库上，是早期技术路径的惯性。有人解释了这种惯性的由来：RAG 概念流行的时候，大模型还不太会用工具，多轮搜索和纠错能力也差，向量检索是当时最省事的方案。现在模型的工具调用和推理能力上来了，让 AI 自己决定用什么方式找信息，反而比预设一条检索管道更灵活。也有人提出了务实的质疑：Mintlify 的场景是结构化的技术文档，天然适合文件系统隐喻，但如果是组织内部那种乱七八糟、没有层级结构的知识库，这套方案未必好使。这个方向和 Claude Code 的做法有相通之处：与其把所有信息预检索好喂给模型，不如给模型一套探索工具，让它自己决定看什么、怎么找。对于正在搭建 AI 文档助手或内部知识库的开发者来说，Mintlify 的这套方案提供了一个向量检索之外的选项，尤其适合文档结构清晰、对精确匹配要求高的场景。

15. 《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）

16. AI Agent开发常常需要管理海量对话历史，传统RAG或知识图谱难以实现真正学习，记忆准确率低、长期遗忘严重。Hindsight™ 提供革命性的Agent记忆系统，让AI Agent真正"学会"而非仅"记住"。不仅在LongMemEval基准测试中创下最优性能，还支持世界事实、个人经历、心理模型构建，已被Fortune 500企业投入生产。GitHub：github.com/vectorize-io/hindsight主要功能：- 记忆保留（Retain）：自动提取实体、关系、时序数据构建知识库；- 智能回忆（Recall）：语义+关键词+图谱+时序四路并行检索；- 深度反思（Reflect）：基于记忆生成洞察和决策建议；- 多用户记忆隔离：支持按用户/会话隔离记忆管理；- 生物仿生架构：模拟人类记忆机制（世界事实+经历+心理模型）；- 一行代码集成：LLM Wrapper自动为现有Agent添加记忆能力。支持Docker一键部署、Python/Node.js客户端、嵌入式模式，兼容OpenAI/Anthropic等多种LLM提供商。#AIAgent##AgenticAI##人工智能#

17. 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#

18. 从可观测到可理解：用 UModel 构建 Agent 原生的代码知识图谱

19. 用OpenClaw炒股，3位名臣AI让我赚了多少钱？

20. 分析大型代码库时，经常需要来回切换编辑器、文档、依赖图和搜索工具，AI 助手也常常忽略深层依赖和调用链，造成修改失误。GitNexus 把代码库分析所需的功能全部整合到一起，提供了零服务器的代码智能引擎解决方案。不仅能构建完整的知识图谱（依赖、调用链、功能集群、执行流），还支持 Graph RAG 智能体、MCP 协议集成、多仓库管理，甚至浏览器内可视化探索。GitHub：github.com/abhigyanpatwari/GitNexus主要功能：- 完整知识图谱构建，支持 14+ 编程语言（TS/JS/Python/Java 等）的 AST 解析和跨文件符号解析；- MCP 服务器集成，与 Claude Code、Cursor、Codex 等 AI 编辑器无缝对接；- 智能工具集：影响范围分析、变更检测、多文件重命名、Cypher 图查询；- 浏览器 Web UI，支持拖拽 ZIP/仓库即时生成交互式知识图谱和 RAG 聊天；- 多仓库支持，统一图谱查询执行流和跨仓库合约匹配；- 自动生成 AGENTS.md、技能文件和代码 Wiki 文档。支持 CLI（npm install -g gitnexus）、Docker、多平台本地运行，也提供在线试用 gitnexus.vercel.app，适合开发者、AI 工程师和大型项目团队。#AI编程##代码分析##知识图谱# 爱可可-爱生活的微博视频

21. Milvus 向量数据库实战：从零构建高性能 RAG 系统

22. //@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。

23. 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#

24. 如何评价DeepSeek发布梁文锋署名论文，提出「条件记忆」及Engram记忆检索架构？有哪些亮点？

25. 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。

26. RAG（检索增强生成）会不会消亡呢？

27. Entity 查询：让运维人员告别“大海捞针”，高效定位与分析实时实体数据

28. B站基于Neo4j知识图谱与MCP协议：构建万级任务数仓的智能化底座

29. 个人知识库三层架构，打造专属私人图书馆！联想天禧AI 4.0从原始文档智能解构，到知识图谱秒级召回，再到知识本体直接对接天禧Claw执行，万字复杂报告生成仅需约8分钟，效率提升60%。#天禧AI我的专属超能搭档# #联想AI主机#

30. AI Agent 开发中，记忆管理一直是老大难——上下文窗口有限，长期知识难以留存，跨会话、跨任务的连贯性也很难保证。Cognee 把「记忆控制平面」浓缩到 6 行代码里，让 Agent 拥有持久、可进化、可检索的共享记忆。只需一行 pip install 即可接入：支持任意格式数据摄入，自动构建知识图谱 + 向量索引，兼顾语义搜索与关系推理，还能随反馈不断优化。GitHub：github.com/topoteretes/cognee主要功能：- 6 行代码即可实现 remember / recall / forget / improve 四大操作- 知识图谱 + 向量混合检索，自动路由最优搜索策略- 支持多会话隔离与跨 Agent 知识共享- 提供 Claude Code、OpenClaw 等官方插件，一键接入主流 Agent 框架- 兼容 Cognee Cloud 或自托管部署（Modal、Railway、Fly.io 等一键脚本）- 支持本地 UI 与 CLI，快速验证与调试支持 Python 3.10+，通过 pip/uv/poetry 即可安装，适合构建长期记忆型 Agent、客服机器人、知识蒸馏助手等场景。#AI创造营# #人工智能#

31. OpenViking：一个非常实用的开源项目，专为AI Agent设计的上下文数据库，通过创新的“文件系统范式”统一管理Agent所需的记忆、资源和技能，彻底解决了传统向量数据库碎片化、检索效果差、上下文不可见的问题。主要亮点包括：- 文件系统管理范式，实现统一结构化管理，轻松浏览和操作上下文，像管理本地文件一样简单- L0/L1/L2三层上下文分级加载，按需调用，大幅降低Token消耗- 目录递归检索策略，结合目录位置和语义搜索，实现更精准、更全局的上下文获取- 可视化检索轨迹，完整呈现检索过程，方便调试和优化- 会话自动管理，自动提取长期记忆，Agent能“用得越久越聪明”支持Python包安装，也有Rust CLI工具；支持多家主流模型提供商，包含Volcengine、OpenAI、Anthropic、本地vLLM等等；同时提供详尽配置示例，轻松上手。新手快速开始示例脚本也非常简洁，几行代码即可增加资源、浏览文件结构、等待语义处理、抽取摘要、执行语义搜索，非常适合开发者验证和应用。同时官方推荐在云服务器（推荐Volcengine ECS + veLinux）环境中部署，保证稳定性和性能。如果你正打造智能Agent或者想优化上下文管理，强烈建议一试OpenViking，这个项目将让上下文管理和检索变得前所未有的清晰、高效、智能。GitHub地址：github.com/volcengine/OpenViking 官网：www.openviking.ai 文档：www.openviking.ai/docs

32. 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#

33. CodeGraph 是一款专为 AI 编程代理打造的代码知识图谱工具。它预先建立本地索引，让 Claude Code、Cursor、Codex CLI 等代理在处理代码库时大幅减少 token 消耗和工具调用次数，同时保持 100% 本地运行。无需 Node.js 环境，一条安装命令即可获取对应系统的可执行文件。初始化项目后，CodeGraph 会自动解析代码中的符号关系、调用图和结构信息，建立 SQLite 知识图谱。代理可直接查询该图谱，而非反复扫描文件。核心功能包括全文搜索、影响分析、调用链追踪，以及对 19 种语言和 14 个主流 Web 框架的路由识别。文件变更时通过原生系统事件自动增量同步，索引始终保持最新。所有数据仅存储在本地 SQLite 数据库中，不使用任何外部服务或 API 密钥。支持 Windows、macOS、Linux 多平台，可通过 pnpm 或 npm 安装依赖本地运行，适合个人开发者和团队在 AI 辅助编程场景中使用。GitHub：github.com/colbymchenry/codegraph#开源项目# #AI编程# #代码分析#

34. 多模态 RAG 才是企业知识库低效瓶颈的解药？

35. 理解大型代码库、文档、论文常常需要来回翻阅文件，搜索关键词却抓不住架构脉络和设计意图，耗时费力。graphify 把你的代码文件夹、文档、论文、图片瞬间转化为可查询知识图谱，让AI编码助手快速洞察代码背后的"为什么"。支持代码AST结构提取、多模态内容分析（PDF、图片、Markdown），生成交互式图谱、报告和JSON，一键查询连接关系，神节点与惊喜关联一目了然。GitHub：github.com/safishamsi/graphify主要功能：- 自动构建知识图谱，支持代码、文档、论文、图片等多模态输入；- AST精确提取类、函数、调用图、文档字符串和设计注释；- Claude视觉分析图片/手绘图，挖掘跨文件语义关联；- Leiden社区聚类发现架构模块，标记EXTRACTED/INFERRED关系置信度；- 交互式HTML图谱+GRAPH_REPORT.md报告+持久化graph.json；- Git钩子自动同步，支持--watch实时更新和多平台AI助手集成（Claude Code/Codex等）。71.5x token节省，支持 /graphify . 一键运行，开发者必备神器。pip install graphifyy && graphify install#AI编码# #知识图谱# #ClaudeDev#

36. 如何构建上下文图谱（How do you build a context graph）? Context Graph 本质上就是：把「事情是怎么被做成的」这件事结构化下来，变成 AI 可以学习和推理的对象。上下文图谱通过连接人员、文档及行为轨迹，捕捉企业工作的动态过程。它将孤立的知识转化为动作序列，让AI理解“如何”完成任务。通过集成知识图谱与个人数据，系统能自主学习最佳路径，实现端到端业务自动化并确保持续进化。原文：x.com/jainarvind/status/2019553277571190821 #HOW I AI# #程序员#

37. 切实有效的RAG文本分块：语义分割、上下文重叠与评估驱动调优

38. 你的RAG用错了：分块不是知识单元，问答数据包才是

39. 60分钟讲清：文档向量化与检索

40. 大多数 RAG 系统无法识别复杂的文档——它们会直接销毁这些文档

41. 长文档 RAG 的分块难题:MultiDocFusion 的解法

42. RAG 企业问答系统实战：从文档解析到千万级并发的工程全链路

43. RAG系统被低估的环节：chunk切分实战指南

44. 为什么 Chunk（分块）策略，会决定 RAG 的效果上限？

45. RAG 文档切片策略：固定长度 vs 递归 vs 语义切分

46. RAG 文档切分、索引优化与 Reranker 学习笔记

47. L2-1:RAG通关系列：大文档怎么喂给AI？文本分块的切分艺术

48. 文档分块时，如何避免把表格或关键段落割裂？

49. RAG 数据工程实战：从脏文档清洗到高质量 Chunk 切分的完整方法论

50. 端到端RAG优化，从分块到检索到生成的每一个坑我都踩了

51. RAG工程化实践方法论 - 父子索引

52. 语义分块：让RAG系统真正理解你的文档

53. 企业级 RAG 中台怎么做：从文档解析到溯源和评测闭环

54. 03 语义分块

55. 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

56. 图解 RAG（六）快速入门｜检索策略：混合检索与父文档检索

57. 文档处理：切不好，检索就好不了

58. 文本分块->语义分块 Late Chunking

59. RAG 分块策略选不对，检索效果差一半

60. 优化你的RAG 系统？从文档切片开始！

61. 从零搭一个电子书知识库-从上传文件到可检索 chunk

62. Day 09｜RAG 方案设计——一份完整的产品方案设计文档

63. 做RAG实施踩了个坑，我用1天写了个PDF分割工具

RAG上线总失败？80%问题出在这三个设计漏洞

精选参考来源