标签: RAG

"朴素 RAG 像是在一堆散落的纸条中找答案，GraphRAG 则是先看完目录和索引，再精准定位。"

引言：朴素 RAG 的天花板

传统 RAG（Retrieval-Augmented Generation）的流程很简单：把文档切块 → 向量化 → 检索 Top-K → 喂给 LLM 生成答案。这个方案在简单问答上效果不错，但在复杂场景下有明显局限。

朴素 RAG 的三大局限

┌──────────────────────────────────────────────────────┐
│              朴素 RAG 的三大局限                       │
├──────────────────────────────────────────────────────┤
│                                                      │
│  局限 1：全局理解缺失                                 │
│  ─────────────────                                   │
│  问题："这部小说的主要主题是什么？"                    │
│  朴素 RAG：检索到几个片段，无法概括全书主题            │
│  原因：chunk 级检索丢失了全局视角                     │
│                                                      │
│  局限 2：多跳推理弱                                   │
│  ─────────────────                                   │
│  问题："A 公司的 CEO 毕业于哪所大学？"                 │
│  朴素 RAG：可能只检索到 A 公司的介绍，或 CEO 的名字    │
│  原因：答案需要 A 公司 → CEO → 教育背景，多跳推理      │
│                                                      │
│  局限 3：关系理解差                                   │
│  ─────────────────                                   │
│  问题："张三和李四是什么关系？"                        │
│  朴素 RAG：可能找到张三和李四各自的描述，但找不到关系   │
│  原因：关系信息分散在不同文档中                        │
│                                                      │
└──────────────────────────────────────────────────────┘

郑天祺2026/7/3大约 19 分钟

Embedding 模型选型与微调：BGE、M3E 与领域适配实践

RAG 效果不好？检索召回率低？大概率是 Embedding 模型没选对或没调好。Embedding 是 RAG 的地基，地基不稳，后面再怎么调 Prompt 都是白费。

一、Embedding 基础

1.1 什么是 Embedding

文本 → Embedding 模型 → 向量（如 768 维浮点数组）

"今天天气很好" → [0.12, -0.34, 0.56, ..., 0.78]  (768 维)
"今天气候不错" → [0.11, -0.32, 0.55, ..., 0.77]  (相似度高)
"我想吃火锅"   → [0.89, 0.12, -0.67, ..., 0.03]  (相似度低)

相似度计算：
  余弦相似度：cos(A, B) = (A·B) / (|A| × |B|)
  点积：dot(A, B) = Σ(ai × bi)
  欧氏距离：d(A, B) = √Σ(ai - bi)²

郑天祺2026/6/27大约 8 分钟

RAG 进阶：重排序、混合检索与 Query 改写

大语言模型是AI领域的革命性技术，它为自然语言处理和智能应用提供了强大的能力。
本文介绍了大模型的核心概念和应用方式，帮助你进入AI应用开发领域。

基础 RAG 的痛点：检索到的不相关，相关检索不到，大模型还是幻觉。本文覆盖企业级 RAG 的三大进阶优化技术。

一、基础 RAG 的问题

用户问："担保业务的反担保措施有哪些？"
基础 RAG 检索结果：
  1. 担保公司简介（不相关）
  2. 反担保措施管理办法（相关但只是概述）
  3. 担保费率标准（不相关）

大模型基于这些"噪声"生成的答案 → 幻觉

郑天祺2026/6/27大约 6 分钟

向量数据库企业级使用指南：Milvus 与 PGVector 深度对比

向量数据库企业级使用指南：Milvus 与 PGVector 深度对比是系统设计的核心，它决定了数据的存储方式和访问效率。
本文介绍了向量数据库企业级使用指南：Milvus 与 PGVector 深度对比的原理和最佳实践，帮助你构建高效的数据存储方案。

做 RAG 项目最关键的基础设施就是向量数据库。选 Milvus 还是 PGVector？不是"谁更好"的问题，而是"什么场景用什么"。

一、向量数据库核心能力

能力	说明	重要性
向量索引	HNSW、IVF、FLAT 等索引类型	⭐⭐⭐⭐⭐
相似度计算	余弦、内积、欧氏距离	⭐⭐⭐⭐
过滤检索	标量字段过滤 + 向量检索	⭐⭐⭐⭐⭐
分布式扩展	水平扩展、分片	⭐⭐⭐⭐
事务支持	ACID 事务	⭐⭐⭐
运维成本	部署复杂度、监控	⭐⭐⭐⭐

郑天祺2026/6/27大约 6 分钟

RAG 实战：Document Loader 文档加载器详解

大语言模型是AI领域的革命性技术，它为自然语言处理和智能应用提供了强大的能力。
本文介绍了大模型的核心概念和应用方式，帮助你进入AI应用开发领域。

面试官常见问法： "为什么不让 LLM 直接回答，非要用 RAG？"或者"LLM 的知识截止问题你怎么解决？"

LLM 的三大知识缺陷

① 知识截止——训练数据有截止日期，昨天发生的事它不知道。你问它"2026年3月发布的 XX 框架有什么特性"，它要么瞎编要么说不知道。

郑天祺2026/5/25大约 23 分钟

RAG 实战：Document Loader 文档加载器详解

大语言模型是AI领域的革命性技术，它为自然语言处理和智能应用提供了强大的能力。
本文介绍了大模型的核心概念和应用方式，帮助你进入AI应用开发领域。

读取数据源：本地文件、PDF、Word、Markdown、网页、Excel、数据库、飞书/Notion 知识库等；
内容解析提取：剥离格式、样式、页眉页脚，提取纯文本内容；
封装为 Document 对象：统一结构，供后续 TextSplitter 切分、Embedding 向量化。

郑天祺2026/5/13大约 5 分钟

构建 ReAct+RAG 智能体：从零打造个性化数字人 Demo

大语言模型是AI领域的革命性技术，它为自然语言处理和智能应用提供了强大的能力。
本文介绍了大模型的核心概念和应用方式，帮助你进入AI应用开发领域。

ReAct 由 Yao et al. (2022) 提出，核心思想是让 LLM 在 Reasoning（推理） 和 Acting（行动） 之间交替循环，形成：

Thought → Action → Observation → Thought → Action → ...→ Final Answer

郑天祺2026/5/13大约 13 分钟

大模型RAG实战全流程详解

大语言模型是AI领域的革命性技术，它为自然语言处理和智能应用提供了强大的能力。
本文介绍了大模型的核心概念和应用方式，帮助你进入AI应用开发领域。

在大模型落地过程中，我们总会遇到三个核心痛点：幻觉严重（一本正经地编造信息）、知识滞后（无法获取实时/私有数据）、私有数据安全（不能直接将敏感文档喂给公域大模型）。而RAG（Retrieval-Augmented Generation，检索增强生成），正是当前最主流、性价比最高的解决方案——让大模型在回答问题前，先去私有知识库“翻书”，基于检索到的真实信息生成答案，本质上是把大模型的“闭卷考试”变成“开卷考试”。

郑天祺2026/5/12大约 25 分钟