维护中AI 关键词公开推荐
RAG (Retrieval-Augmented Generation)
RAG 是检索增强生成技术，通过向量数据库检索相关文档片段，作为上下文注入大模型，解决模型知识截止、幻觉、私有数据不可用等问题，是企业级 AI 应用落地的核心架构模式。
更新于 2026年8月20日发布于 2026年8月20日AI资源库高级
下载渠道
暂无
文件信息
资料包
资料数量
持续更新
访问方式
公开查看
AI 提示词 · 图片 / 视频生成
收藏
关键词详情
定义
RAG (Retrieval-Augmented Generation) 将信息检索与文本生成结合：用户查询 → 向量化 → 向量数据库 Top-K 检索 → 重排序 → 上下文构造 → LLM 生成回答。核心组件：文档加载/分块、Embedding 模型、向量数据库、检索策略、重排序、生成模型。
应用场景
- 企业知识库问答（产品手册、API 文档、内部制度、会议纪要）
- 电商客服机器人（商品参数、物流政策、退换货流程、FAQ）
- 代码助手（代码库索引、API 文档、最佳实践、历史 PR）
- 法律/合规检索（法条、判例、合同模板、风控规则）
- 学术研究助手（论文全文、综述、引用网络、实验方法）
常见问题
- RAG 和 Fine-tuning 怎么选？
- 知识频繁更新、需溯源、数据隐私敏感 → RAG。任务固定、风格迁移、推理模式固化、极低延迟要求 → Fine-tuning。常见最佳实践：RAG 作为知识注入，Fine-tuning 优化推理风格/格式。
- 文档分块策略怎么选？
- 固定长度（简单但破坏语义）→ 语义分块（保持语义完整）→ 递归分块（层级结构）→ 智能分块（LLM 辅助）。建议：先语义分块，Chunk Size 512-1024 tokens，Overlap 10-20%，针对代码/法律文档用结构化分块。
- 如何提升检索准确率？
- 1) 混合检索：稀疏向量 + 密集向量；2) 重排序：Cross-Encoder 重排 Top-20；3) 查询重写：HyDE、多查询扩展；4) 元数据过滤：时间、分类、权限；5) 上下文压缩：摘要/提取关键句。
- 向量数据库怎么选？
- 千万级以下/原型期 → Chroma/PGVector (简单、免费)；亿级/生产环境 → Qdrant/Milvus (高性能、分布式)；全托管/无运维 → Pinecone/Weaviate Cloud；PostgreSQL 生态 → PGVector (零新增组件)。
- RAG 如何处理表格/图片/代码等多模态内容？
- 表格 → Markdown/CSV 文本化 + 结构化 Schema；图片 → VLM (GPT-4o/Qwen-VL) 描述文本化 + CLIP 向量；代码 → AST 解析 + 文档字符串提取。多模态向量库 (Qdrant/Milvus 支持多向量) 联合检索。
- 如何评估 RAG 系统效果？
- 离线评测：RAGAS (Faithfulness, Answer Relevancy, Context Precision, Context Recall)；在线评测：用户反馈 (有用/无用)、解决率、人工介入率、响应延迟。建立黄金标准问答集，持续回归测试。
常见问题
下载链接失效怎么办？
请优先切换其他网盘渠道，并反馈失效链接。
会员能下载所有资料吗？
页面标注为会员专享的资料支持会员下载，具体以当前页面显示为准。
相关资源
维护中AI 关键词
向量数据库 (Vector Database)
向量数据库专门存储与检索高维向量（Embedding），是语义搜索和 RAG 系统的检索底座。它把「语义相近」变成「距离相近」，让机器第一次能按含义而非关键词匹配信息。
维护中AI 关键词
Agent Skill (智能体技能)
Agent Skill 是可复用、可组合、可分发的 AI 智能体能力单元。它封装了特定任务的提示词、工具调用链、数据处理逻辑、错误重试策略，支持在 Claude、Codex、Cursor 等环境中直接加载调用，实现「一次编写，多端复用」。
维护中AI 关键词
AI 智能体 (AI Agent)
AI Agent 是能感知环境、自主规划、调用工具并迭代完成目标的大模型应用形态。区别于单轮问答，Agent 具备任务拆解、工具调用、记忆与反思能力，是当前 AI 应用落地最活跃的方向。
维护中AI 关键词
模型微调 (Fine-tuning)
微调是在预训练大模型基础上用领域数据继续训练，让模型稳定掌握特定风格、格式与知识的技术。借助 LoRA/QLoRA 等参数高效方法，消费级显卡也能完成以前需要机房级算力的微调任务。
评论建议
欢迎反馈资料质量、链接状态或希望补充的内容，管理员会持续维护。