评估了错误的 RAG 管道环节
一个 RAG 系统本质上是由两台机器组成的，但大多数评估框架只给生成器评分。本文将解释为什么检索环节需要独立的评分体系，以及如何构建它。
淘汰嵌入模型：在不中断搜索的情况下重新索引数百万个向量
更换嵌入模型表面上看起来只是配置更改，但实际上是一次完整的数据迁移。本文将介绍如何重新嵌入语料库、执行双索引切换、预估成本和时间，并在你的用户发现问题之前证明新索引的效果更佳。
间接提示注入：你以为处于惰性的数据平面
你的智能体将检索到的每个文档都视为惰性数据，但检索到的文本实际上是以系统提示词的权限运行的。本文将探讨间接提示注入的工作原理、为什么 EchoLeak 证明了它的存在，以及真正有效的防御手段。
你的智能体读了页面。没人看到广告。
智能体流量正在破坏以广告为生的互联网：没有曝光产生，没有联盟链接被点击，且你的 RAG 管道所依赖的数据源正在重新定价。本文将探讨抓取转推荐比、按次抓取付费、RSL 授权，以及如何在数据进入付费墙或关停之前审计你的上游数据。
你的上下文是有质量的：数据重力与“计算向数据移动”的回归
Agent 循环在每一轮都会跨越 VPC 和云边界传输数 MB 的上下文，而这笔运费从未出现在模型账单上。为什么 Hadoop 时代的“计算向数据移动”原则正在回归，以及如何审计你推理栈的重力。
你的上下文流水线需要一份新鲜度 SLA
大多数 “幻觉” 其实是伪装下的新鲜度事故。上下文窗口是基于十个上游数据源的物化视图 —— 它像任何其他数据流水线一样，需要血缘追踪、新鲜度 SLA 和回填计划。
你的 Embedding 是个人身份信息 (PII)：反向攻击与向量数据库中的被遗忘权
反向攻击可以从 embedding 中恢复出原始文本——甚至包括临床笔记中的姓名——这使得你的向量数据库属于个人数据，而非匿名的数学表示。本文将探讨为什么删除请求在面对软删除、快照和代理 ID 时会失效，以及如何通过删除传播架构来解决这一问题。
PII 脱敏哨兵如何悄然瓦解你的向量索引
将 PII 替换为哨兵令牌的隐私脱敏器可能会悄然主导你的嵌入几何结构，将每个脱敏后的文档坍缩到向量索引的单一枢纽中，并在基准测试无法监测到的地方降低检索质量。
引用索引失效：当你的分块器开始添加行号前缀时，偏移了一位
一个文档分块器添加了 [第 N 行] 前缀，结果每个引用都指向了证据的前一个段落 —— 这种失效模式在于两个系统对整数的形式达成了一致，但在其含义上产生了分歧。本文将探讨如何在审计员发现之前捕获此类问题。
引用链接依然有效，但内容已不再是模型引用的原文
一个 RAG 引用虽然通过了链接检查，但在审计中依然失败了，因为可访问性并不等于保真度。本文将探讨如何对引用的内容片段进行快照、哈希和保留，从而使记录在原文档被修改后依然能够存续。
你的财务团队构建的那个排除了 Embedding 重新索引成本的成本仪表盘
按功能划分的仪表盘跟踪 Token 消耗。按供应商划分的仪表盘跟踪发票。而每季度的 Embedding 重新索引成本则介于两者之间，最终落入无人认领的基础设施桶中 —— 在那里，40% 的 AI 支出在未经审查的情况下悄然流失。
那场无需部署就让你检索召回率减半的 Embedding 弃用事件
一个被弃用的 Embedding 端点如果悄悄地路由到某个 “兼容性” 继任者，可能会在无需部署的情况下让你的检索召回率减半。本文将探讨为什么查询/文档 Embedding 不匹配是 RAG 的隐形杀手，以及如何将端点与其生成的语料库进行锚定。