别让 RAG 只剩“三件套”
标签：RAG,Data Cleaning,Chunking,Embedding Models,Generation Models,Vector Search,Re‑ranking,Multimodal…
标签： RAG
面向 AI 工程师的 MCP、LLM 和 AI Agent 备忘单（带视觉效果）
一、模型上下文协议 MCP 就像 AI 应用程序的 USB-C 端口。 正如 USB-C 标准化设备连接一样；MCP 标准化了 AI 应用程序与数据源和工具的连接。 二、LLM 中的转换器与专家混合 …
🧠 RAG 三重奏：HyDE + Rerank + Prompt Optimization 的最强策略实践（进阶版）
标签：RAG, Modular RAG, HyDE, Rerank, Prompt Engineering, 检索增强, 多阶段检索, 系统设计, LLM系统工程, 知识库问答 🎼 引子：RAG 不再…
🧠 一文看懂 RAG 中的 Rerank：从“检”到“选”的质变飞跃
标签：RAG, Rerank, LLM, 检索增强, 检索重排序, 双塔模型, Cross-Encoder, 多阶段检索, 文本相似度, 信息检索优化 本篇继续深入检索增强生成（RAG）体系的另一个灵…
🧠 一文看懂 RAG HyDE：让“假回答”替你找到真知识
标签：RAG, HyDE, LLM, 向量检索, 检索增强, Prompt Engineering, 文档嵌入, 信息检索, AI助手, AI搜索引擎 🪂 前言：RAG 的“检索短板”，终于有人补上了…
检索增强生成（RAG）策略研究报告
本文整理了一份全面深入的RAG策略研究报告，涵盖其演进历程、核心理念、常见技术方案、各类策略对比（包括表格）、应用场景、存在的瓶颈与挑战、以及实际选择策略的建议。重点聚焦通用问答系统以及多模态大模型实…
rag 向量检索的基础
RAG（Retrieval-Augmented Generation，检索增强生成）是当前构建强大问答系统和知识对齐模型的核心范式。它结合了「信息检索」和「生成式模型」的优点，极大提升了 LLM（大语…
打造更聪明的语义搜索：融合 RAG、Re-ranking 与 Prompt 增强的实战指南
这篇我们就冲进语义搜索 + 大模型的世界，做一件真正「懂用户」的事：引入 RAG（检索增强生成）、Re-ranking 重排序 和 Prompt 指令增强，打造一个像 ChatGPT 那样“理解+回答…
大模型不是“全能选手”：你该何时用 RAG，何时用 Fine-tune？
✅ 一、RAG 与 Fine-tune 的区别？什么时候用？ 📌 1. 本质区别： 维度 RAG（Retrieval-Augmented Generation） Fine-tune（微调） 方式 外接…
RAG 在企业数智化场景下的设计与改进
一、从 GenAI 的发展看企业数智化架构 01｜从基础设施看数智化系统架构的演变趋势 当前的典型企业GenAI架构 （其实不太合理，传统大数据平台的建设思路，根深蒂固） GenAl在企业应用现状 算…
Agent、RAG、模型微调比对
特征 Agent RAG 模型微调 核心能力 自主学习、决策 知识检索、整合 特定任务优化 主要应用场景 自动驾驶、机器人控制、复杂任务 问答系统、信息检索、知识图谱 文本分类、情感分析、机器翻译 优…