专题 · TOPIC

RAG 与知识库

RAG 出问题,九成不在模型。切片、向量、重排每一层都可能让答案跑偏。这里按「先诊断再换方案」的顺序组织,避免一上来就加 Agent。

7 篇文章 更新至 2026-11-20 约 1 小时读完

建议的阅读顺序

按这三步走,比从最新一篇倒着翻省事

这个专题的全部文章

按发布时间倒序
RAG 检索对了答案却跑偏?重排(Rerank)这一层该补上了

做 RAG(检索增强生成)的人常遇到一个令人困惑的现象:明明从知识库里召回了对的文档,模型给出的答案却仍然跑偏。问题往往不在召回,而在于「召回了但没排好序」——这时候,重排(Rerank)该上…

RAG 的“脏活”:文档解析与切片工具怎么选

很多人把 RAG 效果差归咎于模型或向量库,其实真正常见的原因在数据准备:文档没解析好、切片切得糟。这一步很“脏”,却直接决定了检索上限。本文聚焦解析与切片两环节的工具选择。 为什么解析是第一…

向量数据库怎么选:pgvector、Qdrant、Milvus 的场景对照

做检索增强(RAG)时,很多人的第一反应是“上向量数据库”。但工具选错,往往要么性能过剩、要么很快撑不住。本文按使用规模,把 pgvector、Qdrant、Milvus 三种主流路线放在一起…

Embedding 模型怎么选:别只盯着排行榜,先想清楚这四件事

做语义搜索或 RAG 知识库,很多人第一反应是"找个排行榜第一的 Embedding 模型"。但实际用下来常常发现:榜单很高,自己的效果却一般。原因很简单——榜单考的是通用任务,你的业务是另一…

RAG 效果不好?先按这个顺序排查,别急着加 Agent

知识库问答效果不理想,很多团队的第一反应是"上 Agentic RAG"。但更常见的真相是:大部分 RAG 失败是检索失败,跟 Agent 没关系。按下面的顺序排查,性价比最高。 第一优先级:…

长上下文能替代 RAG 吗?2026 年更靠谱的答案是”混合”

"模型都支持百万上下文了,还要 RAG 干嘛?"这是最近很常见的疑问。答案没那么简单——把整个语料塞进上下文,在真实业务里会撞上几堵墙。 三堵绕不开的墙 合规:把整个语料放进每次会话,意味着每…

为什么”向量检索 + BM25 + 重排”成了知识库的标配

如果你搭的知识库问答"有时候很准、有时候离谱",问题多半出在检索环节。现在业内比较一致的答案是:混合检索加交叉编码器重排。拆开看,每一步解决的都是不同的问题。 三种检索各管一摊 BM25 关键…

小7分享网 · 聚焦 AI 的实用博客

每天一篇,跟进 AI 行业动态、实测新工具、拆解实战教程。不堆术语,不炒概念,只写真正用得上的内容。

浏览全部文章关于本站

欢迎回来

登录 小7分享网,继续你的精彩

还没有账号?立即注册

忘记密码 ?

创建账号

注册后即可体验完整功能

已有账号?直接登录

我们将发送一封验证邮件至你的邮箱, 请正确填写以完成账号注册和激活