工程笔记
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：RAG
藏在你RAG流程背后的五十年检索研究历史
RAG分块、混合搜索、HyDE、重排序以及评估方法在信息检索领域都有着数十年的历史渊源。本文将梳理相关研究进展及其存在的不足。
阅读约 17 分钟2026年AI工程发展路线图：从Python到智能体与LLMOps技术。
2026年分阶段的AI工程学习路径，涵盖从Python和数学基础，到传统机器学习与深度学习，再到RAG、MCP、智能体、评估及部署等内容。
阅读约 14 分钟索引时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 分钟生产环境中的RAG系统失败的三种原因：上下文碎片化、漂移与滥用。
生产型RAG失败的三种方式：分块导致的上下文碎片化、知识库扩展带来的漂移问题，以及尽管检索效果良好但仍被误用，以及相应的层级级解决方案。
阅读约 11 分钟企业中的春季人工智能：配备工具、RAG及审核功能的客服代理
用于事件分诊助手的Spring AI：以提示词作为契约、结构化输出、工具调用、MCP发现、Qdrant RAG、追踪功能以及受限的智能体循环。
阅读约 13 分钟RAG中的重新排序：交叉编码器与LLM评估器及其延迟对比
第二阶段重排序机制如何优化RAG中的候选项排序，跨编码器与LLM评估器的对比，延迟成本、故障模式以及相应的评估方法。
阅读约 14 分钟对RAG检索中的过时数据块、漂移现象及噪声上下文进行审计。
针对RAG检索的Python审计：黄金查询、余弦相似度相关性检测、Kolmogorov-Smirnov漂移检验与上下文效率分析，以及如何解读报告。
阅读约 12 分钟Graphify、OKF与RAG：您的代码库需要哪种上下文层？
基准测试显示，Graphify在准确率上与向量RAG不相上下。以下是Graphify、谷歌的OKF以及向量RAG之间的关系，包括故障触发条件及决策矩阵。
阅读约 12 分钟LlamaIndex Plus LangGraph：RAG智能体的简洁架构方案
如何使用 LlamaIndex 构建知识库，并将其作为工具提供给 LangGraph 智能体使用，同时介绍持久化存储、Chroma 以及仅检索模式的相关内容。
阅读约 14 分钟
常见问题
关于这些文章
是。每篇都是为本站准备的英文原创改写。结构与代码跟随来源；正文重写并做过重合检查。
技术文先发英文，以保证代码与 API 名称准确。站点外壳提供全部九种语言。
草稿经编辑后进入发布队列。站点导入只收录新的或有变更的 slug，不会重复添加。
示例仅供说明。上线前请核对技术栈与许可。若需交付，请发来简报。