向量库 | 人人都是产品经理

AI,个人随笔

向量库是RAG的伪命题，知识图谱是答案，本体论是灵魂

做 RAG 几乎绕不开向量库，但它找的是语义相近，不是精确答案。当知识需要严格的因果与关联时，图谱才是答案，而本体论是背后那张网的建模逻辑。文章从传统知识库讲到图谱加 RAG 的三层诊断体系，并配了大量架构图与对比案例。

叶小钗

RAG 向量库技术原理

AI,个人随笔

告别「向量库万能论」：分层检索 RAG 如何让企业知识问答真正可用

传统 RAG 几乎等同于「文档切块 + 向量嵌入 + 相似度召回」，在企业落地时却频频翻车：产品型号查错、法规条款张冠李戴、跨文档总结只见树木不见森林，且运维成本随文档量线性攀升。本文提出一套以问题为导向的分层检索 RAG 架构——符号索引优先、语义向量兜底、图谱总结全局、Agent 智能路由——并通过对照传统方案的五个典型选型场景，说明它如何解决传统 RAG 无法可靠处理的问题。若你正在评估知识库/智能问答方案，本文可作为技术选型的直观参考。

天涯轩

AI应用 RAG 向量库

AI

向量库已死、RAG永存：模型进步再次干死过时技术

向量库刚被捧上神坛，就被最新一代大模型一脚踹下。原因很简单：当模型上下文一口气拉到百万 token，召回和排序一次搞定，传统 RAG 架构里的向量检索瞬间成了“多余的中间商”。本文用实测数据告诉你，向量延迟、精度天花板和成本是如何被原生长上下文碾压的——以及，在“模型即检索”的新范式里，开发者该如何重写知识库代码。

叶小钗

AI产品 RAG 向量库

AI

RAG实践技巧：将向量库降级为“语义路由器”，让答案更合理

随着模型上下文长度的增加和知识库的扩展，传统的向量化方法在RAG中的应用逐渐暴露出其局限性。本文将深入探讨RAG技术的核心链路，分析向量化在其中的作用，并提出一种新的架构：将向量库降级为“语义路由器”，结合结构化的知识库，以解决语义相似性与答案相关性之间的矛盾，从而让生成的答案更加合理和精准。

叶小钗

RAG 向量库技术原理