跳到正文
10月20日周二
  1. 掘金76

    RAG 工程实战(五):正确知识已经进入 Prompt,为什么大模型还是会答错?

    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。

  2. 掘金61

    AI 数据库地图:从 PostgreSQL 到向量数据库,一次看懂 AI 时代的数据底座

    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。

  3. 掘金38

    每天认识一个组件:Elasticsearch

    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。

  4. 掘金64

    2026 Web 技术选型指南,AI 时代如何选择适合项目的技术栈

    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。

  5. 掘金66

    RAG 路由全景:一个问题走到岔路口,谁来指路

    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。

  6. 掘金54

    RAG 系统中向量化、召回与重排序服务的实现

    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。

  7. 掘金74

    用 Ragas 量化评估 RAG 系统效果

    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。

  8. 掘金58

    Transformer 与自注意力机制:一台“全员检索”机器的说明书

    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。

10月19日周一
  1. 掘金64

    我用 WorkBuddy + ima 把公众号文章做成了知识库

    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。

  2. 掘金79

    企业级 Agent 交付后真正会坏的 3 处:质保期第 90 天我翻了一遍日志目录

    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。

  3. 博客园66

    别再死磕 MySQL 了:向量数据库与 RAG 生产落地实录(Java 工程师专场)

    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。

  4. 掘金48

    16 项 RAG 技术终于整理明白了:它们各自解决什么问题

    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。

  5. 掘金41

    LLMOps 架构设计:从零搭建一个 AI 平台,我画了完整的系统图

    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。

  6. 掘金48

    ZoomCap:「写得长」不等于「信息全」——草稿路由 + 自适应放大,把漏掉的小字小物补回来

    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。

  7. 掘金72

    同一请求发给 14 个 LLM 商业部署,12 个改了答案:医疗器械合规判定的确定性先不过关

    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。

10月18日周日
  1. 掘金37

    AI 时代,古法编程的码农路在何方?

    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。

  2. 掘金43

    用 LangChain 开发一个简单的 Agent 来了解基本流程(Python 版)

    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。