·tian
为什么分块问题尚未解决：原生 RAG 流水线如何在长文档上产生幻觉
固定尺寸分块和语义分块在处理生产级文档时都会以可预测的方式失败。本文将展示关于 RAG 分块失败的研究结果，以及能够弥合准确性差距的评估和架构模式。
rag
llm
ai-engineering
vector-search
+1·tian
生产环境中的 GraphRAG：当向量检索遇到瓶颈时
向量检索在多跳推理查询中往往力不从心。GraphRAG 填补了这一空白，但它也引入了不同的成本结构、失败模式和维护负担，而这些正是大多数团队所低估的。
rag
knowledge-graph
retrieval
llm
+1·tian
长上下文模型 vs. RAG：为什么 1M Token 上下文窗口并非万能
为什么将整个知识库塞进 1M token 的上下文窗口在生产环境中会失败 —— 深入探讨延迟、成本和准确率的权衡，说明为何 RAG 仍是大多数检索任务的首选，并提供一个五个维度的决策框架，帮你判断何时长上下文模型才是更优解。
rag
llm
production
retrieval
+1·tian
生产级检索技术栈：为什么纯向量搜索会失败以及应对策略
纯向量搜索在处理精确关键词、罕见术语和多约束查询时表现不佳。本指南将介绍如何通过 BM25 混合搜索、交叉编码器重排序和阶段级评估指标来构建生产级检索技术栈。
rag
retrieval
hybrid-search
vector-search
+1·tian
工具选择难题：当智能体拥有数十个工具时，如何选择调用哪一个
为什么当工具库扩展到十几个以上时，LLM 智能体会因工具选择而失败 —— 令牌爆炸、检索失败模式，以及在拥有 50 多个工具时仍能保持选择准确性的分层路由架构。
agents
tool-use
retrieval
llm
+1·tian
Agentic RAG：当你的检索流水线需要一颗大脑时
大多数 RAG 系统在生产环境中失败并不是因为模型不好，而是因为工程师忽略了控制循环。这是一份 Agentic RAG 架构指南 —— 涵盖路由、评分器、幻觉检查器，以及那些会导致首次部署失败的典型模式。
rag
agents
retrieval
architecture
+1显示第 61–66 篇，共 66 篇
上一页6 / 6