检索增强 (RAG) 专题

从检索链路、切分、重排、GraphRAG 到生产评测，关注 RAG 系统怎样稳定回答真实问题。

检索链路重排GraphRAG生产评测

12 篇文章

Graph RAG

当向量检索遇到知识图谱，Graph RAG 用实体、关系与图遍历补足纯向量 RAG 在多跳推理和结构化知识上的短板。

百万 token 上下文来了，RAG 还有必要吗？答案不是替代，而是分工：长上下文解决“能看多长”，RAG 解决“该看什么”

超越纯文本：当知识存在于 PDF、表格、图表、扫描件和图片中，多模态 RAG 如何重建检索与理解链路

RAG 好不好，不能只看答案像不像对：从检索、忠实度、引用、线上反馈到回归测试，建立一套真正能指导迭代的评测框架

从 Demo 到 Production，拆解生产级 RAG 的可靠性、可扩展性、可观测性、权限、评估与成本控制设计。

解释 Self-RAG 如何让模型自主决定何时检索、如何评估证据与回答质量，以及它相对传统固定检索管线的价值和边界。

当 LLM 开始主导检索流程：从固定管道到动态决策，理解 Agentic RAG 的能力、代价与工程边界

Bi-encoder 与 Cross-encoder 的取舍，两阶段检索模式，以及 Rerank 在 RAG 中的实战价值

Chunking 是 RAG 的基础：切太大引入噪声，切太小丢失上下文。本文详解各类切分策略与最佳实践

从知识截止、幻觉和私有数据三大痛点出发，理解 Retrieval-Augmented Generation 的本质与价值

拆解从 Query 到 Response 的完整 RAG 流水线，覆盖离线索引、在线查询、检索增强、上下文组装与回答生成。

系统讲解 Sparse、Dense、Hybrid 检索、多阶段召回、Query 变换与评估调优，帮助生产级 RAG 提升检索质量。