<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>向量检索 :: 标签 :: x7peeps</title><link>https://blog.x7peeps.com/tags/%E5%90%91%E9%87%8F%E6%A3%80%E7%B4%A2/index.html</link><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/tags/%E5%90%91%E9%87%8F%E6%A3%80%E7%B4%A2/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>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>Agent 记忆架构 2026：从认知科学到生产级实现的技术全景</title><link>https://blog.x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/Agent%E8%AE%B0%E5%BF%86%E6%9E%B6%E6%9E%842026%E4%BB%8E%E8%AE%A4%E7%9F%A5%E7%A7%91%E5%AD%A6%E5%88%B0%E7%94%9F%E4%BA%A7%E7%BA%A7%E5%AE%9E%E7%8E%B0%E7%9A%84%E6%8A%80%E6%9C%AF%E5%85%A8%E6%99%AF/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/Agent%E8%AE%B0%E5%BF%86%E6%9E%B6%E6%9E%842026%E4%BB%8E%E8%AE%A4%E7%9F%A5%E7%A7%91%E5%AD%A6%E5%88%B0%E7%94%9F%E4%BA%A7%E7%BA%A7%E5%AE%9E%E7%8E%B0%E7%9A%84%E6%8A%80%E6%9C%AF%E5%85%A8%E6%99%AF/index.html</guid><description>Agent 记忆架构 2026：从认知科学到生产级实现的技术全景 2024 年，“AI Agent 记忆"意味着把对话历史塞进 context window，然后祈祷模型能记住关键信息。无状态 Agent、重复指令、跨会话零个性化——这些被认为是使用 LLM 的固有代价。这个认知框架已经过时了。</description></item></channel></rss>