知识文件夹

Knowledge

现代 Agent Engineering 学习路线：Knowledge

0 子目录4 文档

文档

4

RAG 推荐阅读RAG 推荐阅读 RAG 原始论文：理解参数记忆与外部非参数记忆结合的出发点。 LlamaIndex RAG：数据摄取、索引、查询与 Agent 组合。 LangChain Retrieval：retriever、vector store 和 RAG 架构。 OpenAI Embeddings：向量表示、相似度与应用实践。 RAGFlow：适合研究文档解析、切分、检索与 grounded answer 的完整产品链路。 Stanford2026/8/24 RAG 完整链路：从数据摄取到带引用回答RAG 完整链路：从数据摄取到带引用回答 RAG（Retrieval Augmented Generation）把外部知识检索结果放入模型上下文，让回答基于可更新、可追溯的数据。生产链路不是“向量搜索 + prompt”两个步骤，而是多个可评测阶段。 1. 离线摄取 Source discovery ：文件、网页、数据库、代码仓库、工单等。 Parse ：提取正文、标题、表格、层级和链接，保留原始定位。 Normalize ：处理编码、2026/8/24 Chunk、Embed、Retrieve 与 Rerank 详解Chunk、Embed、Retrieve 与 Rerank 详解 1. Chunk：确定检索的最小语义单元切得太小，片段缺少上下文；切得太大，相似度被无关内容稀释并浪费 token。评估 chunk 时不要只看平均长度，要抽样检查：一个片段是否表达完整事实；标题和表头是否被继承；引用定位是否能回到原文；相邻重叠是否造成大量重复；更新一个小段时是否需要重建整个索引。建议保存 document id 、 chunk id 、 2026/8/24 引用、Grounded Answer 与 RAG 失败处理引用、Grounded Answer 与 RAG 失败处理 1. 引用不是装饰可靠引用需要满足：存在性：URL、文件或查询结果确实存在；蕴含性：引用内容支持对应陈述；精确性：定位到页码、段落、行号或 chunk；完整性：重要事实都有依据；新鲜度：版本和时间符合问题；权限一致性：用户可访问对应来源。模型生成一个看似真实的 URL 不算引用。引用必须来自检索阶段创建的 EvidenceItem。 2. 生成协议 2026/8/24