Mastra RAG 进阶:使用 Drizzle ORM 和 pgvector 实现文档版本管理与 Version-aware Retrieval
作者在已有 Mastra RAG POC 上引入 Drizzle ORM,新增 documents、document_versions、document_chunks 三张表,实现内容去重、版本创建、发布指针与 Version-aware Retrieval。
作者在已有 Mastra RAG POC 上引入 Drizzle ORM,新增 documents、document_versions、document_chunks 三张表,实现内容去重、版本创建、发布指针与 Version-aware Retrieval。
文章分析 RAG 已把正确知识放入 Prompt 但大模型仍答错的原因,指出问题在于模型如何理解、选择和使用知识,并给出知识治理、证据组织与生成校验的分层方案。
推荐理由:文章把检索正确但答错的根因拆成知识冲突、证据组织与生成校验三层,并给出可落地的元数据约束与分层校验方案,可直接迁移到企业 RAG 设计。
作者梳理了 AI 应用中九类数据库的定位与选型逻辑,指出不存在包办一切的 AI 数据库,传统数据库、向量数据库、搜索引擎、图数据库和分析引擎各解决不同问题。核心建议是从 PostgreSQL 等统一底座起步,先用全文检索,再按真实瓶颈逐步引入 pgvector、专用向量数据库或分析引擎,避免过早堆叠复杂技术栈。
Elasticsearch 是基于 Apache Lucene 的分布式搜索与分析引擎,以 JSON 文档为核心数据模型,支持近实时全文检索、聚合与向量检索。它通过分片与副本实现水平扩展,采用 primary-backup 写入模型与 Query/Fetch 两阶段读取模型。该组件适用于站内搜索、日志分析和向量语义检索场景,但不适合强事务处理与大规模离线分析。
本文给出2026年Web技术选型的判断框架,核心是先区分用AI辅助开发与把AI做成产品功能两类需求,再按项目形态给出候选方案。作者在React、Vue、Node.js、Python等常见比较之外,补充了代码可理解、可验证、可约束三个条件,并强调AI功能交付前要补上效果评估、工具权限与成本控制,Agent框架仅在需要模型动态决定步骤时引入。
本文把业界 RAG 查询路由方式整理为三大流派、两个旁支、十一种指路方式,并给出选型框架。规则派做确定性快筛,相似度派扛毫秒级流量底盘,大模型派处理最难的理解,RRF 并联融合与级联降级分别消灭选择与风险。作者建议按数据源数量、延迟预算、错误代价三问选型,生产系统多为语义路由打底、逻辑路由特判、源内 RRF 融合的三层混搭。
本文面向有 Java 与 Spring 基础的开发者,先用 Spring Boot 3.5.x + Spring AI 1.1.x 跑通最小对话调用,再梳理 Spring AI 的概念体系与适用判断。
本文围绕企业知识库问答场景,给出 RAG 检索链路中向量化、召回与重排序服务的完整设计与代码实现。核心做法包括用 Embedding Profile 和索引代次管理向量空间,向量与关键词混合召回并用 RRF 合并候选,再由 Reranker 重排序并压缩上下文,同时将租户、权限和文档状态过滤前置。文章还给出 Recall@K、MRR、NDCG 评估指标以及超时、缓存、重试和降级等工程策略。
RAG 解决 Agent 如何获取外部知识的问题,Memory 则解决 Agent 如何利用之前交互记录的问题。两者结合,才让最小知识问答 Demo 开始具备持续使用的可能。
Ragas 是一个以 LLM 作为评判者的开源评估框架,把 RAG 系统的表现拆成检索质量、生成质量、事实正确性三条主线,每条给出可比的 0~1 分数。接入时只需让 RAG 流程额外输出 retrieved_contexts 等中间产物,不改检索和生成逻辑;无参考指标可零标注起步,有参考指标才能回答答得对不对。
本文把自注意力解释为发生在词与词之间的内部检索:每个词发出查询、与全句标签做点积打分、经缩放与 softmax 归一化后加权混合出新的表示。文章依次拆解了多头注意力、位置编码、因果遮罩与 Transformer 整机流水线,并指出注意力、RAG、预训练共享“相似度打分加加权取回”的同一数学内核,只在词级、文档级、互联网级三个尺度上运行。
MinerU 是一款 GitHub 上 8 万+ Star 的开源文档解析工具,通过布局分析和分元素处理把 PDF、DOCX 等文档转成结构化的 Markdown/JSON,解决 RAG 中表格散落、公式乱码、多栏错序等解析层问题。
MinerU 是 GitHub 上 8 万以上 Star 的开源文档解析工具,它先识别标题、段落、表格、公式等元素,再按人类阅读逻辑重组为结构化 Markdown 或 JSON,解决传统抠字式解析在多栏排版、表格和公式上的错序、散落与乱码问题。
作者系统梳理了用 n8n 搭建生产级 Agent 工作流的方法,主张按触发、数据处理与凭证三层组织工作流并分别验收输入与权限。
Spring AI 2.0.1 对应 Spring Boot 4.1.1 与 Java 17,原 spring-ai-core 被拆为 spring-ai-commons。
本文逐个剖析 Spring AI 2.0.1 内置的 13 个 Advisor 实现到源码级,把它们归纳为观测、短路、改写、校验、循环、标记六种模式。
作者逐行拆解 Spring AI 2.0.1 的 spring-ai-rag 模块(28 个源文件、约 2000 行代码),解析 RetrievalAugmentationAdvisor 的七步流水线与 Query 体系。
本章基于 spring-ai-2.0.1 源码逐个拆解 RAG 内置组件的实现细节,并补齐官方未提供的八个可投产组件。QuestionAnswerAdvisor 与 RetrievalAugmentationAdvisor 的 context key、默认 prompt 模板与扩展哲学不同,迁移时字符串常量不兼容且编译期不报错。
BAAI/bge-m3 是智源研究院出品的 MIT 协议可商用向量化模型,覆盖 100+ 种语言,最大支持 8192 token,一次推理可同时输出稠密向量、稀疏权重和多向量。
作者实测了把公众号文章存入 ima 知识库的多种方式,包括把 URL 发给 WorkBuddy、手机一键存入、ima Chrome 插件一键收藏,以及通过 Skill 连接微信 ClawBot 定时批量同步公众号文章并自动生成简报推送到微信。文中附上监控同步、内容总结和去重简报三段 prompt,并说明已收录内容需从 ima 知识库桌面端删除,实测可以释放存储空间。
Context7 是一个为 AI 编码代理提供实时、版本精准库文档的工具,本质是编码场景下的垂直 RAG,已索引超过 14.7 万个开源库。
文章给出 Agentic RAG 检索侧的完整设计方案:默认纯 Agent、不做前置分类器,检索判断收敛到 Agent 循环的 Thought。
律所 Agent 项目质保期 90 天临近时作者翻查日志目录,确认交付后真正出问题的不是模型,而是日志留存、版本回滚、数据口径三处:模型三个月一行没改,知识库、提示词、依赖库和数据量却一直在变。
推荐理由:作者把企业级 Agent 质保期风险归为日志留存、版本回滚、数据口径三处,并给出可直接复用的自检代码与检查表。
作者把约八千 token 的接口文档整体塞进 system prompt,前 3 轮回答准确,第 8 轮却答错早先聊过的限流头字段,八轮对话花费约为预期 4 倍。
斯坦福《2026 年 AI 指数报告》指出 AI 正从实验阶段走向企业基础设施,金融服务业在获得创新机遇的同时面临加剧的安全风险。攻击者已借助 AI 将攻击时间从数天缩短至数分钟,传统孤立工具与人工调查流程难以应对。
作者两年前用 MySQL 搭企业知识库,10 万条数据检索 800ms、准确率 42%,改用向量数据库加 RAG 后降至毫秒级、准确率拉到 96.5%。全文给出选型决策树(有 PG 用 pgvector、没 PG 用 Qdrant、亿级才上 Milvus)、混合检索加 RRF 融合加 Rerank 精排的完整 Java 链路,并复盘了一次小租户召回归零事故,结论是过滤条件必须下推到向量库执行。
文章以虚构的企业技术知识助手为主线,将 16 项 RAG 相关技术按解决的问题分类梳理,帮助理解它们之间的关系与适用边界。这些技术并非从低级到高级的升级路线,而是围绕不同问题形成的解决方案——Hybrid Search、Reranking 属于单环节增强,Agentic RAG 则改变整个系统的运行方式。技术并非用得越多越好,关键在于判断何时需要、为何需要。
作者两年前用 MySQL LIKE 做企业知识库,10 万条数据检索 800ms、准确率 42%,改用向量数据库 + RAG 后检索降到毫秒级、准确率升至 96.5%,本文完整拆解这条生产链路。
作者用 Mastra 组织 Agent 与工具,配合 DeepSeek 生成、SiliconFlow BAAI/bge-m3 做 1024 维 Embedding、PostgreSQL/pgvector 存储检索,跑通了 Markdown 技术文章问答的 RAG MVP。
作者"怕浪猫"分享了从零搭建生产级 LLMOps 平台的完整架构设计与交付路线,称靠 LLMOps 平台将交付效率提升 8 倍。平台规划为前端(Vue.js)、后端(Flask)、AI 层(LangChain + LangGraph)与基础设施四层架构。功能覆盖基础对话、RAG 知识库、Agent 工具调用、可视化编排等 14 个模块,按 8 个阶段渐进交付。
Oracle AI 联合 USC、UPenn 在 arXiv 挂出 VELD-QA 基准(arXiv 2610.20964,代码 oracle-samples/veld-qa),用 15,000 道全人工标注问答、5,859 份真实 PDF、合计 372,445 页把检索与阅读分开计分。
斯坦福与 CMU 的论文提出 Librarian Agents:训练 builder agent 在看不到任何用户问题的前提下,用建、并、删、停四个动作把原始文档重组成带溯源链接的分层文件系统,奖励直接取答题 agent 在隐藏问题上的答对率。
蚂蚁集团与浙江大学提出 ZoomCap 稠密描述框架,用草稿描述驱动检索、OCR 与定向放大三路证据按需路由,补回长描述漏掉的小物体与图中文字。配套 FactCycle 评测显示每图可回放事实 52.4 条,是最强基线 ScaleCap 的 1.7 倍;35B 教师模型在人类盲评中以 81.9% 偏好分胜过 Qwen3.5-397B-A17B。
GFLOPS 的 Ryosuke Suzuki 在 arXiv 发表论文(arXiv 2610.21300):把 70 个医疗器械合规评估 prompt 以字节相同的请求发给 14 个商业部署(7 个模型、3 家提供方、6 条调用路径),连续两天每天 5 遍,没有一个部署能复现自己的全部回答,12 个连「满足/不满足」标签都变过,引用段落的漂移比标签翻转更普遍。
POSTECH 论文提出免训练框架 LoC,指出多模态文档 RAG 的瓶颈常在生成端视觉 token 预算而非检索:五个主流方法平均每查询只喂 0.72K–2.68K 视觉 token,纯页图预算从 1K 提到 32K 后 SciEGQA 准确率从 65.74% 升至 80.96%。
DeepSeek 宣布 API 现已支持网页搜索与抓取,按请求次数计费,单价为每 1000 次成功请求 5 元。Search 接口按 query 搜索网页并返回结构化结果,Fetch 接口抓取单个网页并以 Markdown 返回标题与正文,两者均为原始 JSON API,使用与 DeepSeek API 相同的 Bearer 鉴权。
AI 时代程序员的价值重心正从写代码转向定义问题、设计系统、约束模型、验证结果与交付价值,只会 CRUD 和堆样板代码的岗位会被压缩。新身份是需求翻译者、AI 指挥官、系统责任者和质量守门人,需补齐模型调用、RAG、Agent、部署推理与工程治理能力。真正的护城河是业务理解力、系统架构力和责任判断力:AI 负责产出草稿,人负责设定约束和验收标准。
通过 LangChain 的 `create_agent` 可在 Python 中开发一个简单的 Agent,完整流程涵盖 uv 初始化、安装依赖、定义工具到发起调用。LangChain 提供统一模型接口(支持切换 OpenAI、deepseek 等服务商)、RAG 支持、工作流编排与记忆模块。Agent 执行遵循输入解析、思考规划、动作决策、工具执行、观察反馈的循环,直至输出最终答案。
本文用一个完整的 RAG 项目,把 LangSmith 的 Trace 追踪、Dataset 数据集、LLM-as-Judge 评估器和批量评估串成闭环,让 Agent 调试从盲盒变成可看数的仪表盘。
化工企业异常工况处置问答系统通过先建可信评测集、坚持单一变量逐轮留档的调优方法,将 RAGAS 忠实度从基线 0.85 提升到 0.95,端到端 P95 响应时间压到 3.1 秒。