<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>AIRag :: x7peeps</title><link>https://blog.x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/index.html</link><description>RAG 技术栈全景：从索引到检索到生成的完整链路 RAG 技术栈全景：从索引到检索到生成的完整链路 检索增强生成（Retrieval-Augmented Generation，RAG）已成为将大语言模型应用于企 … Embedding 与向量数据库：模型选型、PGVector/Milvus/Chroma 对比 在 RAG（Retrieval-Augmented Generation）系统的技术栈中，Embedding 模型和向量数据库构成了检索能力的两大基石。前者决定 … RAG 高级优化：混合检索、重排序、查询改写与评测闭环 一、Naive RAG 的局限性 多数团队在搭建 RAG 系统时，第一版往往采用"向量检索 + LLM 生成"的最简架构。这种 Naive … 企业级 RAG 架构：知识库治理、访问控制与安全管控 从原型到生产：鸿沟远比想象的大 多数 RAG 系统在 Demo 阶段表现出色——向量数据库跑起来、检索返回几段文本、LLM 生成一段看似专业的回答。然而，一旦进 … Agentic RAG：让 Agent 驱动检索增强生成的架构演进与工程实践 Agentic RAG：让 Agent 驱动检索增强生成的架构演进与工程实践 传统 RAG 系统的工作方式可以类比为一个忠实但缺乏主动性的图书管理员——你提出问 … GraphRAG 技术全景：知识图谱增强检索生成的架构、实现与生产实践 GraphRAG 技术全景：知识图谱增强检索生成的架构、实现与生产实践 检索增强生成（RAG）已成为企业级 LLM 应用的主流架构——通过将外部知识注入推理过程 … RAG的去向量化浪潮：从向量数据库到树索引、重计算与知识图谱的三条路线 RAG 的去向量化浪潮：向量索引正在被三路夹击 为什么值得关注 过去两年，“RAG = Embedding + 向量数据库"几乎是默认架构 …</description><generator>Hugo</generator><language>zh-CN</language><lastBuildDate>Fri, 30 Oct 2026 14:47:30 +0800</lastBuildDate><atom:link href="https://blog.x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/index.xml" rel="self" type="application/rss+xml"/><item><title>RAG 技术栈全景：从索引到检索到生成的完整链路</title><link>https://blog.x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/RAG%E6%8A%80%E6%9C%AF%E6%A0%88%E5%85%A8%E6%99%AF%E4%BB%8E%E7%B4%A2%E5%BC%95%E5%88%B0%E6%A3%80%E7%B4%A2%E5%88%B0%E7%94%9F%E6%88%90%E7%9A%84%E5%AE%8C%E6%95%B4%E9%93%BE%E8%B7%AF/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/RAG%E6%8A%80%E6%9C%AF%E6%A0%88%E5%85%A8%E6%99%AF%E4%BB%8E%E7%B4%A2%E5%BC%95%E5%88%B0%E6%A3%80%E7%B4%A2%E5%88%B0%E7%94%9F%E6%88%90%E7%9A%84%E5%AE%8C%E6%95%B4%E9%93%BE%E8%B7%AF/index.html</guid><description>RAG 技术栈全景：从索引到检索到生成的完整链路 检索增强生成（Retrieval-Augmented Generation，RAG）已成为将大语言模型应用于企业级知识密集型场景的主流范式。不同于直接依赖模型参数记忆知识的微调路线，RAG 通过在推理时动态检索外部知识源，将最新的、领域特定的信息注入生成过程，从根本上改变了 LLM 的知识获取方式。</description></item><item><title>Embedding 与向量数据库：模型选型、PGVector/Milvus/Chroma 对比</title><link>https://blog.x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/Embedding%E4%B8%8E%E5%90%91%E9%87%8F%E6%95%B0%E6%8D%AE%E5%BA%93%E6%A8%A1%E5%9E%8B%E9%80%89%E5%9E%8BPGVectorMilvusChroma%E5%AF%B9%E6%AF%94/index.html</link><pubDate>Fri, 03 Jul 2026 15:17:54 +0800</pubDate><guid>https://blog.x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/Embedding%E4%B8%8E%E5%90%91%E9%87%8F%E6%95%B0%E6%8D%AE%E5%BA%93%E6%A8%A1%E5%9E%8B%E9%80%89%E5%9E%8BPGVectorMilvusChroma%E5%AF%B9%E6%AF%94/index.html</guid><description>在 RAG（Retrieval-Augmented Generation）系统的技术栈中，Embedding 模型和向量数据库构成了检索能力的两大基石。前者决定了文本能否被精确地表示为数学向量，后者决定了这些向量能否被高效地存储和检索。选型不当的 Embedding 模型会导致语义匹配失准，而选型不当的向量数据库则会在规模增长时成为系统瓶颈。</description></item><item><title>RAG 高级优化：混合检索、重排序、查询改写与评测闭环</title><link>https://blog.x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/RAG%E9%AB%98%E7%BA%A7%E4%BC%98%E5%8C%96%E6%B7%B7%E5%90%88%E6%A3%80%E7%B4%A2%E9%87%8D%E6%8E%92%E5%BA%8F%E6%9F%A5%E8%AF%A2%E6%94%B9%E5%86%99%E4%B8%8E%E8%AF%84%E6%B5%8B%E9%97%AD%E7%8E%AF/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/RAG%E9%AB%98%E7%BA%A7%E4%BC%98%E5%8C%96%E6%B7%B7%E5%90%88%E6%A3%80%E7%B4%A2%E9%87%8D%E6%8E%92%E5%BA%8F%E6%9F%A5%E8%AF%A2%E6%94%B9%E5%86%99%E4%B8%8E%E8%AF%84%E6%B5%8B%E9%97%AD%E7%8E%AF/index.html</guid><description>一、Naive RAG 的局限性 多数团队在搭建 RAG 系统时，第一版往往采用"向量检索 + LLM 生成"的最简架构。这种 Naive RAG 在 Demo 阶段效果尚可，一旦部署到生产环境，便会暴露出一系列系统性缺陷。</description></item><item><title>企业级 RAG 架构：知识库治理、访问控制与安全管控</title><link>https://blog.x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/%E4%BC%81%E4%B8%9A%E7%BA%A7RAG%E6%9E%B6%E6%9E%84%E7%9F%A5%E8%AF%86%E5%BA%93%E6%B2%BB%E7%90%86%E8%AE%BF%E9%97%AE%E6%8E%A7%E5%88%B6%E4%B8%8E%E5%AE%89%E5%85%A8%E7%AE%A1%E6%8E%A7/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/%E4%BC%81%E4%B8%9A%E7%BA%A7RAG%E6%9E%B6%E6%9E%84%E7%9F%A5%E8%AF%86%E5%BA%93%E6%B2%BB%E7%90%86%E8%AE%BF%E9%97%AE%E6%8E%A7%E5%88%B6%E4%B8%8E%E5%AE%89%E5%85%A8%E7%AE%A1%E6%8E%A7/index.html</guid><description>从原型到生产：鸿沟远比想象的大 多数 RAG 系统在 Demo 阶段表现出色——向量数据库跑起来、检索返回几段文本、LLM 生成一段看似专业的回答。然而，一旦进入生产环境，整个系统面临的挑战将呈指数级增长。原型阶段被忽略的问题——文档版本混乱、权限泄露、敏感数据外泄、检索质量不可控——会集中爆发。</description></item><item><title>Agentic RAG：让 Agent 驱动检索增强生成的架构演进与工程实践</title><link>https://blog.x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/Agentic-RAG%E8%AE%A9Agent%E9%A9%B1%E5%8A%A8%E6%A3%80%E7%B4%A2%E5%A2%9E%E5%BC%BA%E7%94%9F%E6%88%90%E7%9A%84%E6%9E%B6%E6%9E%84%E6%BC%94%E8%BF%9B%E4%B8%8E%E5%B7%A5%E7%A8%8B%E5%AE%9E%E8%B7%B5/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/Agentic-RAG%E8%AE%A9Agent%E9%A9%B1%E5%8A%A8%E6%A3%80%E7%B4%A2%E5%A2%9E%E5%BC%BA%E7%94%9F%E6%88%90%E7%9A%84%E6%9E%B6%E6%9E%84%E6%BC%94%E8%BF%9B%E4%B8%8E%E5%B7%A5%E7%A8%8B%E5%AE%9E%E8%B7%B5/index.html</guid><description>Agentic RAG：让 Agent 驱动检索增强生成的架构演进与工程实践 传统 RAG 系统的工作方式可以类比为一个忠实但缺乏主动性的图书管理员——你提出问题，它在指定的书架上搜索相关段落，然后把原文呈现给你。这个模式在简单事实查询场景下运转良好，但当用户问出"对比分析 A 方案和 B 方案在生产环境中的性能差异，并给出推荐"这样的复合型问题时，单次检索的静态管道就显得力不从心。传统 RAG 的根本局限在于检索决策是预定义的、不可调整的——系统不会根据中间推理结果动态调整检索策略，无法判断当前检索结果是否充分，更不能自主发起多轮检索。</description></item><item><title>GraphRAG 技术全景：知识图谱增强检索生成的架构、实现与生产实践</title><link>https://blog.x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/GraphRAG%E6%8A%80%E6%9C%AF%E5%85%A8%E6%99%AF/index.html</link><pubDate>Mon, 17 Aug 2026 10:36:28 +0800</pubDate><guid>https://blog.x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/GraphRAG%E6%8A%80%E6%9C%AF%E5%85%A8%E6%99%AF/index.html</guid><description>GraphRAG 技术全景：知识图谱增强检索生成的架构、实现与生产实践 检索增强生成（RAG）已成为企业级 LLM 应用的主流架构——通过将外部知识注入推理过程来缓解幻觉和知识过时问题。然而，传统基于向量相似度的 RAG 在面对多跳推理和全局理解两类问题时暴露了结构性短板：它将文档视为孤立的文本块进行检索，无法捕捉实体之间的复杂关系，更无法对整个语料库进行宏观理解。</description></item><item><title>RAG的去向量化浪潮：从向量数据库到树索引、重计算与知识图谱的三条路线</title><link>https://blog.x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/RAG%E7%9A%84%E5%8E%BB%E5%90%91%E9%87%8F%E5%8C%96%E6%B5%AA%E6%BD%AE%E4%BB%8E%E5%90%91%E9%87%8F%E6%95%B0%E6%8D%AE%E5%BA%93%E5%88%B0%E6%A0%91%E7%B4%A2%E5%BC%95%E9%87%8D%E8%AE%A1%E7%AE%97%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%9B%BE%E8%B0%B1%E7%9A%84%E4%B8%89%E6%9D%A1%E8%B7%AF%E7%BA%BF/index.html</link><pubDate>Sun, 20 Sep 2026 23:40:00 +0800</pubDate><guid>https://blog.x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/RAG%E7%9A%84%E5%8E%BB%E5%90%91%E9%87%8F%E5%8C%96%E6%B5%AA%E6%BD%AE%E4%BB%8E%E5%90%91%E9%87%8F%E6%95%B0%E6%8D%AE%E5%BA%93%E5%88%B0%E6%A0%91%E7%B4%A2%E5%BC%95%E9%87%8D%E8%AE%A1%E7%AE%97%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%9B%BE%E8%B0%B1%E7%9A%84%E4%B8%89%E6%9D%A1%E8%B7%AF%E7%BA%BF/index.html</guid><description>RAG 的去向量化浪潮：向量索引正在被三路夹击 为什么值得关注 过去两年，“RAG = Embedding + 向量数据库"几乎是默认架构。到了 2026 年 9 月，这个等式正在被三个方向同时松动：</description></item></channel></rss>