作者
Xavier
编程语言： 熟练使用 Python，Java、SQL，具备良好的数据结构与算法基础。 大模型与 Agent： 理解 Transformer 与大语言模型推理机制，熟悉 Prompt Engineering、CoT、ReAct、Plan-and-Execute、Reflection、Agentic RAG 等推理范式；熟悉 LangChain、LangGraph、OpenAI SDK。
RAG（检索增强生成）是解决 LLM 知识截止问题的主流方案。从向量嵌入、近似最近邻搜索，到 Rerank 与 HyDE，本文覆盖 RAG 系统的完整技术栈。
发现错误 / 提交勘误 · 请注明段落、问题和原始依据。
大语言模型的知识来自训练数据，一旦训练结束，知识就被"冻结"了。2024 年发布的模型不知道 2025 年发生的事情；专有企业知识库中的文档，模型更是一无所知。
RAG（Retrieval-Augmented Generation） 的思路是：不修改模型本身，而是在每次推理时动态检索相关文档，塞入上下文，让模型基于最新信息回答。
RAG 的核心是将文本转化为高维向量（Embedding），使得语义相似的文本在向量空间中距离相近。
嵌入模型（如 OpenAI text-embedding-3-large、BGE、E5）接收文本，输出固定维度（如 1536 维）的浮点向量，捕捉文本的语义信息而非字面词汇。
"苹果公司发布了新款 iPhone"和"Apple 推出最新智能手机"在向量空间中非常接近，尽管没有任何共同词汇。
[离线索引阶段]
原始文档 → 文本分块（Chunking）→ Embedding → 向量数据库
[在线查询阶段]
用户问题 → Embedding → ANN 检索 Top-K → Rerank → 构造 Prompt → LLM → 回答主流向量数据库：
Rerank（重排序）：ANN 检索召回 Top-50 候选后，用更强的交叉编码器（Cross-encoder）对每个候选与查询的相关性精确打分，取 Top-5 送入 LLM。
HyDE（Hypothetical Document Embeddings）：先让 LLM 生成一个"假设性答案"，用这个假设答案的 Embedding 去检索，而非原始问题。由于假设答案与真实答案的语义空间更接近，检索质量显著提升。
RAG 不是银弹。当知识库极大、文档质量参差不齐、或问题需要跨多个文档综合推理时，RAG 表现会下滑。GraphRAG、LongContext 等方向正在尝试突破这些局限。
按系列、标签和主题继续探索。推荐理由见每张卡片。
同系列 · RAG 与长期记忆
最新受控实验比较结构化切块、标题路径、生成式上下文与两阶段检索，揭示“切在哪里”比“加多少背景”更重要，以及层级路由为何可能漏证据，并给出 Mnemo 与 yikesaiAgent 可复现的实验方案。
同系列 · RAG 与长期记忆
LLM Agent 没有持久记忆是当前行业最大痛点之一。本文深入剖析从朴素 RAG 到时序知识图谱的技术进化，深度对比 Graphiti（26K Stars）和 Mem0（57K Stars）两大开源框架的架构设计、性能基准和适用场景，并展望多 Agent 共享记忆和记忆安全的未来趋势。
同系列 · RAG 与长期记忆
从 Prompt Engineering 到 Context Engineering，AI Agent 的核心能力正在经历一次范式转移。本文深入剖析 Context Engineering 的技术原理、关键策略和工程实践，揭示为什么它是让 AI Agent 从‘能聊天’进化到‘能干活’的关键一步。
最近更新
深读 TestPrism 的多合法实现与错误候选联合成功评测，联系 SSCBench 的故障证据时序和 Agent Skills 冲突研究，为伊克塞、Mnemo 与 Codex 提供规范独立、反例验证、审计和周日技能成长计划。
最近更新
从 SiGMA 工业异常理解论文深入掌握多模型语义解释、正常参考检索、独立视觉缺陷专家和可靠性控制，结合 OTTER 的实例定位及 FastBench 的视频采样风险，为伊克塞图像问诊和 Mnemo 多模态知识库建立可追溯的证据评测。