写给真正
交付技术栈的人
关于 React、Node.js、TypeScript 与 AI 的原创文章，来自与我们操作层软件同一套工程实践。正文为英文。
标签：Embeddings
索引时RAG的质量：片段类型、数据清洗与检索标签
索引时的RAG质量：构建文本、表格和图像块，过滤解析器产生的噪声，并添加由大语言模型生成的检索标签，从而使失败查询的数量减少近一半。
阅读约 12 分钟RAG存在的理由：参数化记忆、密集检索以及2020年的相关论文。
RAG存在的理由：参数化内存的局限性，BM25与嵌入技术如何推动密集检索的发展，以及论文中RAG-Sequence与RAG-Token各自的权衡之处。
阅读约 7 分钟基于MCP服务器且背后连接Pinecone向量数据库的语义搜索服务
一种可重复使用的语义搜索服务：将PDF文件分割成小块，将嵌入向量存储在Pinecone向量数据库中，然后让任何智能体通过FastMCP服务器查询这些数据。
阅读约 7 分钟使用 Python 构建无需支付 API 费用的本地 RAG 流水线
一份实用教程，介绍如何使用sentence-transformers、numpy和Flan-T5在CPU上实现检索增强生成，内容包括分块处理、搜索功能以及A/B测试。
阅读约 12 分钟基于Firebase、Vertex AI及Firestore Vectors的实用RAG架构
结合 Vertex AI 嵌入模型与 Firestore 向量搜索的 Firebase RAG：批量处理、元数据过滤、租户隔离、基于事实的提示词、缓存机制及性能指标。
阅读约 10 分钟为什么RAG仍会给出错误答案：混合搜索、重排与Recall@K机制
清洁的文本块并不能保证得到优质答案。了解向量检索的缺陷，以及融合技术、交叉编码器重排器、HyDE和Recall@K指标是如何解决这些问题的。
阅读约 6 分钟层层递进：为AI智能体设计真正的RAG检索流程
设计一个基于SourceDocument和DocumentChunk合约的RAG流程，包括数据分块、嵌入生成以及ChromaDB的使用，所有功能都由RetrievalService统一管理，从而保障智能体的稳定性。
阅读约 10 分钟大规模混合图像搜索：SigLIP、SPLADE、YOLOv8与Gemini Captions
设计一种可处理百万张图片的搜索系统，该系统将密集嵌入与稀疏嵌入相结合，并结合物体检测、实体识别、安全搜索以及由大语言模型生成的描述功能。
阅读约 6 分钟RAG如何让大语言模型使用您的私有数据：分块、向量与提示词
通过一个简单的 Node.js 示例、三种常见的故障模式以及 RAG 与微调的对比表格，全面了解从数据获取到查询的检索增强生成流程。
阅读约 8 分钟