"RAG"相關(guān)的文章
AI,個(gè)人隨筆
當(dāng) RAG 失效時(shí)，我們?cè)撊绾巫?AI 真正“理解”企業(yè)系統(tǒng)？

當(dāng) RAG 失效時(shí)，我們?cè)撊绾巫?AI 真正“理解”企業(yè)系統(tǒng)？

RAG 曾是企業(yè)構(gòu)建智能問(wèn)答系統(tǒng)的“黃金方案”，但在復(fù)雜業(yè)務(wù)場(chǎng)景中，它的邊界正在顯現(xiàn)。本文將從 RAG 的失效機(jī)制出發(fā)，探討如何通過(guò) Agent 化、語(yǔ)義建模與系統(tǒng)協(xié)同，讓 AI 真正“理解”企業(yè)系統(tǒng)，走出知識(shí)調(diào)用的淺層困境。
AI,個(gè)人隨筆
告別“AI胡說(shuō)八道”！RAG技術(shù)如何為模型注入真實(shí)知識(shí)？?

告別“AI胡說(shuō)八道”！RAG技術(shù)如何為模型注入真實(shí)知識(shí)？?

AI胡說(shuō)八道，不是因?yàn)樗疤斆鳌保且驗(yàn)樗皼](méi)知識(shí)”。RAG技術(shù)正在成為解決大模型幻覺(jué)的關(guān)鍵方案，讓生成內(nèi)容不再憑空捏造，而是有據(jù)可查。本文將從底層機(jī)制到產(chǎn)品應(yīng)用，拆解RAG如何為AI注入真實(shí)認(rèn)知。
AI
AI產(chǎn)品經(jīng)理必修課：RAG（終）

AI產(chǎn)品經(jīng)理必修課：RAG（終）

RAG，不只是技術(shù)架構(gòu)，更是一種產(chǎn)品思維。從“檢索增強(qiáng)”到“生成協(xié)同”，它連接的是知識(shí)系統(tǒng)與用戶(hù)體驗(yàn)的雙重躍遷。但很多產(chǎn)品經(jīng)理只看到了“能搜能答”，卻忽略了背后的數(shù)據(jù)治理、提示詞策略與系統(tǒng)設(shè)計(jì)。 作為系列終篇，本文將從產(chǎn)品視角拆解 RAG 的底層邏輯與落地路徑，幫助你真正把它用成“認(rèn)知引擎”，而不是“搜索外掛”。
AI,個(gè)人隨筆
講給產(chǎn)品經(jīng)理的AI技術(shù)指南：用Dify徹底搞懂RAG、Agent和微調(diào)

講給產(chǎn)品經(jīng)理的AI技術(shù)指南：用Dify徹底搞懂RAG、Agent和微調(diào)

AI技術(shù)正在快速滲透產(chǎn)品工作，但對(duì)大多數(shù)產(chǎn)品經(jīng)理而言，RAG、Agent、微調(diào)這些術(shù)語(yǔ)仍顯陌生。本篇文章將以 Dify 為實(shí)踐工具，從產(chǎn)品視角出發(fā)，系統(tǒng)講解三大核心機(jī)制，幫助你真正理解 AI 技術(shù)的底層邏輯與應(yīng)用路徑。
AI
AI產(chǎn)品經(jīng)理之怎么做 RAG 的 query 改寫(xiě)

AI產(chǎn)品經(jīng)理之怎么做 RAG 的 query 改寫(xiě)

在RAG系統(tǒng)中，Query改寫(xiě)不是錦上添花，而是決定檢索效果的關(guān)鍵變量。本篇文章將從AI產(chǎn)品經(jīng)理視角出發(fā)，拆解Query改寫(xiě)的核心邏輯與落地路徑，幫助你理解如何通過(guò)“意圖重構(gòu)”提升召回質(zhì)量，構(gòu)建更智能、更精準(zhǔn)的AI問(wèn)答系統(tǒng)。
AI,個(gè)人隨筆
AI產(chǎn)品經(jīng)理必修課：RAG（2）

AI產(chǎn)品經(jīng)理必修課：RAG（2）

RAG不是一個(gè)技術(shù)名詞，而是一種產(chǎn)品思維的重構(gòu)方式。從“Retriever-增強(qiáng)”到“生成-調(diào)度”，RAG的每一環(huán)都關(guān)乎產(chǎn)品的邊界、能力與體驗(yàn)。本文將從產(chǎn)品經(jīng)理視角，拆解RAG的核心機(jī)制、應(yīng)用場(chǎng)景與設(shè)計(jì)要點(diǎn)，幫助你在AI產(chǎn)品構(gòu)建中真正“用得上、做得對(duì)”。
AI
從0到1構(gòu)建 RAG 知識(shí)庫(kù)（券商客服案例實(shí)戰(zhàn)）

從0到1構(gòu)建 RAG 知識(shí)庫(kù)（券商客服案例實(shí)戰(zhàn)）

RAG 不只是技術(shù)熱詞，它正在重塑企業(yè)知識(shí)系統(tǒng)的構(gòu)建方式。本文以券商客服場(chǎng)景為例，系統(tǒng)拆解從0到1構(gòu)建 RAG 知識(shí)庫(kù)的全過(guò)程：從數(shù)據(jù)準(zhǔn)備、向量化、檢索策略到生成邏輯，不僅有技術(shù)路徑，也有業(yè)務(wù)思維。
AI
深入解析檢索增強(qiáng)生成（RAG）與事實(shí)型AI的未來(lái)

深入解析檢索增強(qiáng)生成（RAG）與事實(shí)型AI的未來(lái)

RAG，不只是“檢索+生成”的拼接，更是AI從語(yǔ)言模型走向事實(shí)型智能的關(guān)鍵躍遷。本文系統(tǒng)拆解RAG的技術(shù)機(jī)制、應(yīng)用場(chǎng)景與演化趨勢(shì)，并結(jié)合事實(shí)型AI的發(fā)展邏輯，探討內(nèi)容可信度、知識(shí)邊界與生成控制的未來(lái)方向。
AI
時(shí)態(tài)智能AI代理：構(gòu)建能感知時(shí)間變化的下一代RAG知識(shí)系統(tǒng)

時(shí)態(tài)智能AI代理：構(gòu)建能感知時(shí)間變化的下一代RAG知識(shí)系統(tǒng)

RAG正在進(jìn)化，但真正的突破不在參數(shù)，而在時(shí)間維度。如何讓AI代理理解“知識(shí)的時(shí)間性”？如何在系統(tǒng)中嵌入“時(shí)態(tài)感知”的機(jī)制？本文以產(chǎn)品視角切入，提出“動(dòng)作-時(shí)間-知識(shí)”三元協(xié)同模型，為AI產(chǎn)品經(jīng)理提供下一代知識(shí)系統(tǒng)的設(shè)計(jì)思路。
AI
Graph RAG詳解：復(fù)雜根因分析場(chǎng)景實(shí)踐

Graph RAG詳解：復(fù)雜根因分析場(chǎng)景實(shí)踐

在復(fù)雜業(yè)務(wù)系統(tǒng)中，根因分析往往面臨數(shù)據(jù)維度多、因果鏈條長(zhǎng)、語(yǔ)義理解難的問(wèn)題。傳統(tǒng)RAG方案在面對(duì)這類(lèi)挑戰(zhàn)時(shí)顯得力不從心，而Graph RAG的出現(xiàn)，正是一次從“檢索增強(qiáng)”到“圖譜推理”的范式躍遷。本文將結(jié)合真實(shí)業(yè)務(wù)場(chǎng)景，深入拆解Graph RAG的核心機(jī)制與落地路徑，幫助你理解它如何在復(fù)雜因果分析中實(shí)現(xiàn)更強(qiáng)的語(yǔ)義穿透與推理能力。