工程笔记
写给真正
交付技术栈的人
关于 React、Node.js、TypeScript 与 AI 的文章。有译文正文时显示译文。没有时显示英文，并注明这一点。
标签：Retrieval
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RAG检索的调试：Recall@K、BM25、混合融合算法与重排序机制
在一个RAG流程上进行的小型实验中，正确的文本片段被排在第四位，该实验展示了文本分块、BM25、排名融合与重新排名如何影响Recall@3和MRR指标。
阅读约 11 分钟超出简单流程的七种RAG架构及其适用场景
天真的RAG会以可预测的方式出错。从上下文笔记到多智能体及记忆检索，共有七种架构，以及它们各自的优缺点和使用场景。
阅读约 9 分钟为何重排序是RAG流程中最具成本效益的重大改进
获取50条结果后进行5级重排：交叉编码器重排如何解决RAG流程中的排序问题，预期能带来的收益与延迟，何时应跳过该步骤，以及应交付哪些内容。
阅读约 8 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MultiDocFusion：针对长PDF文档的基于层次结构的RAG数据块划分方法。
MultiDocFusion能在长PDF的每个数据块中保留章节上下文：通过布局检测、OCR技术以及基于标题树的LLM和DFS分组方式，使RAG检索效率提升8-15%。
阅读约 7 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
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。
英文是来源。只有存在该语言的正文译文时才显示其他语言。缺失或空白的译文仍是英文，包括在本地化网址上。
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。