RAG
找到 30 篇关于此标签的文章
AI 工程师的真门槛不是 LangChain——一个开源项目讲透了底层
calmrocks 在 GitHub 开源的零框架 Colab 教程这周走红，戳中 AI 项目从 demo 到生产反复卡壳的痛点。我们关心的是更深一层的信号：'AI 工程师'这个岗位正在分层，懂底层的人比只会调框架的人更值钱。
测试员多了一项新本事：给 AI 当质检员 — 一份开源路线图泄露的岗位缺口
一个测试工程师在 GitHub 开源了 13 章 AI 测试开发学习路线，两周拿下数千 Star。这件事值得关心的不是教程本身，而是它透露的行业信号：AI 应用开始批量进入企业，「谁来验收、卡门禁」正在变成一个新岗位需求。
AI 落地的瓶颈换地方了：从模型选型转向那条实时数据管道
模型选型早不是 AI 项目的瓶颈。越来越多企业发现，卡住 Agent 在生产环境跑起来的，是那条把业务事件送进模型的数据链路 — 多数还停留在 T+1 批处理。
RAG 也开始要监控告警了 — 中小公司 AI 应用从能跑就行走向怕宕机
掘金上一篇技术文档给企业 RAG（检索增强生成）服务写了轻量级监控告警脚本——5 秒探测、3 秒超时告警、对接企业微信。值得关心的是：AI 应用正在从能不能做走向怕不怕挂，中小企业已经用最朴素的方式保证线上稳定。
市面 90% 的 AI Agent 是套壳 — 三道测试题帮你过滤供应商话术
市面上的 AI 产品都自称 Agent，但真正的智能体有明确的技术定义。我们从一线实践里提炼出三个硬指标，帮企业和团队在选型时不被营销话术忽悠。
豆包生态里的'知芽'：让 AI 学会'我不知道'，比让它答对更难
知芽是豆包生态里的研究工作台，做了一件反直觉的事——查不到资料时让 AI 闭嘴。这套'引用校验'机制背后，是 AI 从'能说'走向'可信'的工程拐点。
企业用 AI 出考题：从 PPT 到试卷压到几小时，但离放心用还差一步
企业培训里的出题一直是耗时、依赖个人、跟不上业务更新的痛点。这篇技术长文拆解了如何用大模型+RAG（让AI先查企业自己的文档再作答，避免瞎编）搭建智能出题引擎，覆盖文档解析、题目生成、质量校验、难度调节四个环节。它代表的方向是：AI 在企业内部真正落地的第一批场景，往往是这种不起眼但每天都用的流程。
AWS 把企业知识管理做成 AI 模板 — '人走技失'这个老难题有标准解法了
AWS 发布一套基于 RAG 技术的知识管理 AI 模板，让公司把老师傅的经验沉淀下来。对制造业、医疗、能源这类高度依赖经验的行业，这是个值得关注的标准化信号——但真正落地，仍是企业自己的一道坎。
AWS 给企业用 AI 算账：让便宜小模型先过滤文档，省钱但不省事
RAG（让 AI 先翻企业文档再回答）是企业落地 AI 最常见的做法，但每问一次都要把一堆材料塞给大模型，账单长得快。AWS 这周给出一个省钱的工程套路：在主模型前先用便宜小模型筛一遍素材。
Mistral 把 AI 查文档准确率从 27% 拉到 86%，代价是 71 秒等待
Mistral 推出 Agentic Search，让 AI 在 SEC 文件、合同等复杂文档上的检索准确率从 26.7% 跃升至 86%，但平均响应要 71 秒。这不是技术升级，是检索范式从'找片段'到'拼证据链'的转变，金融、法律等场景要重新评估投入产出。
AI 智能体不是会调工具就够：真正的分水岭是让系统「记仇」
越来越多企业发现，AI 接上工具调用只是入场券。真正的业务智能体需要把每一次决策写回系统，形成可追问、可复盘、可学习的「记忆」——这是 2026 年企业 AI 的分水岭。
企业 AI 知识库的隐藏成本：文档每次更新，都在重新烧一遍算力
我们注意到一个常被忽视的问题：企业花大钱建的 AI 知识库，文档每次更新，背后的索引都得重新处理。百万级文档全量重建要几小时，增量更新又容易新旧版本冲突。这才是 RAG 真正落地的坑。
GraphRAG 与 HippoRAG 中国实测：理想丰满，落地很骨感
微软 2024 年推出的 GraphRAG 和 2025 年学术新秀 HippoRAG，都号称借助知识图谱让 AI 回答多跳问题。中国开发者拿 89 道企业问答实测：理论丰满，部署骨感。
Agent 选型先拆任务再比参数 — 一篇工程笔记戳穿「哪个大模型最强」
一位 Java 程序员被迫转 Agent，第一个问题就跑偏了。当下 Agent 不是「一个最强大脑」就能跑，而是生成、Embedding、Rerank、分类四种模型各司其职 — 这比追 benchmark 更省成本，也更接近落地现实。
Ragent 1.1.0 上线:中国开发者的 RAG 框架,做起了「企业级」的活
GitHub 上 3.5k Star 的中国开源 RAG 框架 Ragent 发布 1.1.0。一个独立开发者把「能跑」做成了「可审计」——四通道混合检索、来源溯源、模型分级路由、审计追溯,是国内 RAG 工具开始向企业级靠拢的信号。
AI Agent 选工具别一股脑全塞 — 一篇 AI 制药论文的工程解法
AI Agent 工具一多就乱选？一篇 AI 制药论文提出三种筛选模式 — llm 决策、embedding 相似度匹配、全量塞入。这背后是企业落地 Agent 时的真实成本与准确率权衡。
腾讯开源 EVIE 文档检索：存储成本砍到 1/8 — 中国大厂在 RAG 上正面竞争
腾讯开源 EVIE 文档检索模型，把每页索引存储体积压到同类 1/8 但精度反而更高。这是中国 AI 实验室在 RAG 这种企业级底层技术上正面参与全球竞争的信号。
DeepSeek 缓存命中最高涨 12 倍 — 还在靠 AI 抠成本的公司，账要重算了
8 月 17 日零时 DeepSeek 新定价生效，V4-Pro 高峰时段缓存命中从 0.025 涨到 0.30 元/百万 tokens，翻 12 倍。这不是普通调价，而是精准砍向 RAG、Agent 这类高频调用场景 — 过去靠缓存省钱的那批企业，账得重新算了。
Agent 学习的真正门槛：能复述，不等于能在系统里用对
一位开发者学完 Agent 全套基础后，用 6 道快问快答给自己挑刺：Chatbot 与 Agent 的本质区别、流式 Tool Calling 的隐藏坑、Loop 何时该停、上下文的取舍标准。结论是：Demo 能验证链路，不能证明落地能力。
企业 AI 答非所问，问题往往不在大模型 — 向量数据库选型正在被严重低估
企业花大钱买最强大模型，AI 却答非所问，问题往往出在向量数据库。本期我们读了一份技术选型指南，发现多数公司的基础设施选错了。
DeepSeek 缓存价压到行业 1/10 — 大模型应用层被价格重塑
DeepSeek 这周更新 API 定价，把缓存命中场景价格压到每百万 token 不到一美分，相当于主流模型的十分之一左右。我们认为，这不只是又一轮降价，而是中国大模型公司第一次用价格结构撬动 Agent 和 RAG 等高频应用的成本逻辑。
企业 AI 答非所问，问题不在大模型，在「怎么切文档」
我们读到一篇掘金长文，拆解了 RAG 流水线里最被忽视的一环——文档切割。判断很直接：AI 读不懂企业文档，问题往往不出在大模型，而在「怎么把 Word/PDF/网页切成小块」这个细节。
企业 AI 知识库答非所问的真相：80% 的活卡在"读文件"
企业 RAG 项目失败的真正原因，往往不是模型不够强，而是 PDF、Excel、Word 没被规整成模型能消化的格式。LangChain 的 Document 抽象，是这条隐秘"第一公里"的标准答案。
Graphify 用知识图谱替 AI 读代码 — 编程助手开始跳出向量搜索的老路
Y Combinator 支持的开源工具 Graphify 用知识图谱替代传统的关键词和向量搜索，帮 Claude Code、Cursor 这类 AI 编程助手真正理解项目结构。2.5 个月 7.3 万 Star，值得关心的是：AI 编程正从"猜"走向"读"。
Notion 把最强重排序模型开源了 — 但这件事真正有意思的不是模型
Notion 收购 Zeroentropy 后把 Zerank 2 重排序（Reranking）模型开源，效果直逼付费 API。对中文用户而言，这意味着搭建本地知识库（把文档喂给 AI 检索）的成本再降一档。
手把手教你搭本地 AI 知识库 — LangChain + Ollama 让 PDF 问答变简单
一份来自掘金的实战教程：用 LangChain 框架配合国产开源大模型 qwen2 和 bge-m3，在本地电脑完成 RAG（检索增强生成）知识库搭建，无需联网即可让 AI 读 PDF 回答问题。值得关注的是，工具门槛正在降到「会装 Python 就能上手」。
两个 AI 开源项目跑了一遍跨库分析，结果是 0 — 这恰恰是正确答案
LightRAG 与 graphrag 都是做图增强检索的同类工具，互不调用。文章用一次结果为零的实验说明：跨代码库分析解决的是微服务之间的集成问题，不是功能相似性。普通读者值得关心的是——你的系统里那些跨服务调用，到底有没有人画过完整地图。
Milvus 2.6 把存算拆得更彻底 — 向量数据库开始认真讲工程而非讲模型
最常用的开源向量数据库 Milvus 发布 2.6 版本，把计算节点与对象存储、etcd 元数据、消息队列彻底解耦。这是 AI 基础设施走向成熟的标志：大家不再只比谁的 Embedding 模型强，开始比谁能把 10 亿级向量跑稳跑便宜。
代码库知识库的隐藏成本：增量更新比全量重建难十倍
建好一个能查代码的 AI 知识库不难，难的是让它三个月后还跟得上代码本身的变化。我们关注到一个工程现实：增量更新策略（按需重建、跳过无关变更、传播调用链分析）正在成为 RAG 类项目的隐性护城河。
企业知识库实战证明：RAG难点不在模型，而在文档与检索工程
一篇企业落地笔记给出很明确的信号：RAG（检索增强生成，让大模型先查资料再作答）要想真能用，瓶颈通常不在模型参数，而在文档解析、分块、检索和引用链路。对企业来说，这比“换更强模型”更值得关心。