"RAG"相關的文章
AI
AI產(chǎn)品經(jīng)理：從文檔解析到數(shù)據(jù)清洗，打造高質量RAG數(shù)據(jù)集

AI產(chǎn)品經(jīng)理：從文檔解析到數(shù)據(jù)清洗，打造高質量RAG數(shù)據(jù)集

在大模型應用落地的過程中，RAG（檢索增強生成）正成為連接外部知識與智能問答的關鍵技術。但真正能跑通的RAG系統(tǒng)，背后依賴的是一套高質量的數(shù)據(jù)構建流程——從文檔解析、內容切分，到數(shù)據(jù)清洗與結構化，每一步都決定了最終效果。本文將以產(chǎn)品經(jīng)理視角，拆解打造高質量RAG數(shù)據(jù)集的完整路徑，不僅講方法，更講實操，幫助你在AI項目中少踩坑、快落地。
AI
動態(tài)知識從RAG到Context Engineering

動態(tài)知識從RAG到Context Engineering

RAG（檢索增強生成）曾是連接外部知識與模型能力的關鍵橋梁，但隨著業(yè)務復雜度提升，它的局限也逐漸顯現(xiàn)。Context Engineering 的出現(xiàn)，正在重新定義“知識注入”的方式——從檢索到構造，從拼接到理解，讓上下文成為真正的生產(chǎn)力。本文將帶你梳理從 RAG 到 Context Engineering 的演進路徑，揭示背后的技術邏輯與產(chǎn)品思維，幫助你在構建智能應用時少踩坑、快落地。
AI
向量庫已死、RAG永存：模型進步再次干死過時技術

向量庫已死、RAG永存：模型進步再次干死過時技術

向量庫剛被捧上神壇，就被最新一代大模型一腳踹下。原因很簡單：當模型上下文一口氣拉到百萬 token，召回和排序一次搞定，傳統(tǒng) RAG 架構里的向量檢索瞬間成了“多余的中間商”。本文用實測數(shù)據(jù)告訴你，向量延遲、精度天花板和成本是如何被原生長上下文碾壓的——以及，在“模型即檢索”的新范式里，開發(fā)者該如何重寫知識庫代碼。
AI
萬字拆解：RAG已死嗎？上下文工程（context engineer）為何為王？

萬字拆解：RAG已死嗎？上下文工程（context engineer）為何為王？

最近看一個播客是 Chroma 創(chuàng)始人兼 CEOJeff在 Len Space 播客的對話，對話的標題就是關于“RAG is dead”的觀念，在視頻中很明顯的說明了原本的RAG的局限性和現(xiàn)在context engnieer的重要性，今天我就想全面分析一下“上文工程”（context engnieer）為什么這么爆火？以及將來RAG的形態(tài)到底何去何從……
AI,個人隨筆
RAG全系列之【RAG 概念掃盲】

RAG全系列之【RAG 概念掃盲】

RAG 作為打造個性化大模型應用的基礎流程正持續(xù)火爆，不少項目已推向用戶。那 RAG 究竟是什么？簡單說，就是讓大模型基于特定知識生成答案，而非泛泛內容。本文將分享 RAG 的實戰(zhàn)經(jīng)驗與應對這些挑戰(zhàn)的思路，值得探索大模型應用者一讀。