第13页 | RAG | 人人都是产品经理

AI

动态知识从RAG到Context Engineering

RAG（检索增强生成）曾是连接外部知识与模型能力的关键桥梁，但随着业务复杂度提升，它的局限也逐渐显现。Context Engineering 的出现，正在重新定义“知识注入”的方式——从检索到构造，从拼接到理解，让上下文成为真正的生产力。本文将带你梳理从 RAG 到 Context Engineering 的演进路径，揭示背后的技术逻辑与产品思维，帮助你在构建智能应用时少踩坑、快落地。

小风吹

RAG 动态知识大模型

AI,个人随笔

RAG全系列之《向量化与向量召回》

在知识检索领域，向量化与重排序正成为解决海量数据精准检索的关键技术组合。本文深入剖析向量化与重排序技术，从文档拆分的多种优化方法，到向量化模型选择、相似度计算的技巧，为你提供一套全面的知识检索指南，供大家参考。

寻走

RAG 向量化技术原理

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

万字拆解：RAG已死吗？上下文工程（context engineer）为何为王？

最近看一个播客是 Chroma 创始人兼 CEOJeff在 Len Space 播客的对话，对话的标题就是关于“RAG is dead”的观念，在视频中很明显的说明了原本的RAG的局限性和现在context engnieer的重要性，今天我就想全面分析一下“上文工程”（context engnieer）为什么这么爆火？以及将来RAG的形态到底何去何从……

LULAOSHI

RAG 上下文工程基础知识

AI,个人随笔

RAG全系列之【RAG 概念扫盲】

RAG 作为打造个性化大模型应用的基础流程正持续火爆，不少项目已推向用户。那 RAG 究竟是什么？简单说，就是让大模型基于特定知识生成答案，而非泛泛内容。本文将分享 RAG 的实战经验与应对这些挑战的思路，值得探索大模型应用者一读。

寻走

RAG 基础知识案例分析

AI,个人随笔

从RAG到Agentic RAG的变化

从RAG到Agentic RAG，是AI从“信息调用”走向“任务执行”的一次范式跃迁。本文将系统梳理Agentic RAG的架构演进、能力扩展与应用场景，帮助读者理解生成式AI如何从“工具”变成“智能体”。

一葉

AI应用 RAG 技术原理

AI,个人随笔

当 RAG 失效时，我们该如何让 AI 真正“理解”企业系统？

RAG 曾是企业构建智能问答系统的“黄金方案”，但在复杂业务场景中，它的边界正在显现。本文将从 RAG 的失效机制出发，探讨如何通过 Agent 化、语义建模与系统协同，让 AI 真正“理解”企业系统，走出知识调用的浅层困境。

AIDT智享远方

AI应用 RAG 上下文工程

AI,个人随笔

告别“AI胡说八道”！RAG技术如何为模型注入真实知识？

AI胡说八道，不是因为它“太聪明”，而是因为它“没知识”。RAG技术正在成为解决大模型幻觉的关键方案，让生成内容不再凭空捏造，而是有据可查。本文将从底层机制到产品应用，拆解RAG如何为AI注入真实认知。

栗子

RAG 大模型技术原理

AI

AI产品经理必修课：RAG（终）

RAG，不只是技术架构，更是一种产品思维。从“检索增强”到“生成协同”，它连接的是知识系统与用户体验的双重跃迁。但很多产品经理只看到了“能搜能答”，却忽略了背后的数据治理、提示词策略与系统设计。作为系列终篇，本文将从产品视角拆解 RAG 的底层逻辑与落地路径，帮助你真正把它用成“认知引擎”，而不是“搜索外挂”。