<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>RAG :: 标签 :: x7peeps</title><link>https://blog.x7peeps.com/tags/RAG/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/RAG/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>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>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>Context Engineering：从 Prompt 到上下文系统的工程化演进</title><link>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/Context-Engineering%E4%BB%8EPrompt%E5%88%B0%E4%B8%8A%E4%B8%8B%E6%96%87%E7%B3%BB%E7%BB%9F%E7%9A%84%E5%B7%A5%E7%A8%8B%E5%8C%96%E6%BC%94%E8%BF%9B/index.html</link><pubDate>Wed, 15 Jul 2026 16:21:46 +0800</pubDate><guid>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/Context-Engineering%E4%BB%8EPrompt%E5%88%B0%E4%B8%8A%E4%B8%8B%E6%96%87%E7%B3%BB%E7%BB%9F%E7%9A%84%E5%B7%A5%E7%A8%8B%E5%8C%96%E6%BC%94%E8%BF%9B/index.html</guid><description>Context Engineering：从 Prompt 到上下文系统的工程化演进 在 LLM 应用开发领域，2023 年是 Prompt Engineering 的年份——开发者们痴迷于找到"神奇的措辞"来释放模型能力。但当 AI 应用从简单的单轮对话演进到复杂多步骤 Agent 系统时，一个新问题浮出水面：大多数 Agent 的失败不是因为模型不够聪明，而是因为它看到的信息不够好。</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><item><title>LLM 幻觉检测与缓解技术全景：从理论机制到生产级防护</title><link>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/LLM%E5%B9%BB%E8%A7%89%E6%A3%80%E6%B5%8B%E4%B8%8E%E7%BC%93%E8%A7%A3%E6%8A%80%E6%9C%AF%E5%85%A8%E6%99%AF%E4%BB%8E%E7%90%86%E8%AE%BA%E6%9C%BA%E5%88%B6%E5%88%B0%E7%94%9F%E4%BA%A7%E7%BA%A7%E9%98%B2%E6%8A%A4/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/LLM%E5%B9%BB%E8%A7%89%E6%A3%80%E6%B5%8B%E4%B8%8E%E7%BC%93%E8%A7%A3%E6%8A%80%E6%9C%AF%E5%85%A8%E6%99%AF%E4%BB%8E%E7%90%86%E8%AE%BA%E6%9C%BA%E5%88%B6%E5%88%B0%E7%94%9F%E4%BA%A7%E7%BA%A7%E9%98%B2%E6%8A%A4/index.html</guid><description>LLM 幻觉检测与缓解技术全景：从理论机制到生产级防护 大语言模型（LLM）已从实验室的学术原型演变为支撑数十亿用户日常交互的基础设施级产品。然而，幻觉（Hallucination）——模型以高度自信的语调生成看似合理但事实上错误或无依据的内容——始终是制约 LLM 在高可靠性场景落地的核心瓶颈。2023 年"hallucination"一词被剑桥词典选为年度词汇，而 2025 年 OpenAI 发表在 Nature 的研究进一步揭示：幻觉并非单纯的"模型缺陷"，而是训练与评估体系中激励机制错位的系统性产物。</description></item></channel></rss>