第14页 | RAG | 人人都是产品经理

AI

2026年，用不好AI你就失业：普通人必须学会的“代理编排术”全拆解

2026年，AI将从「会说话的搜索框」蜕变为「自主工作的数字团队」，普通人面临的不再是简单的对话技巧，而是如何高效调度AI代理的能力挑战。本文将揭示代理元年的三大核心变化，剖析必备的跨模态素养与本地部署能力，并提供一套12个月的实战升级路线，助你从AI使用者转型为AI指挥官。

LU晨昕

AI应用 RAG 多模态AI

AI系列（五）：两个切面看懂智能体对手的真面目

在AI智能体时代，竞品分析若还停留在“界面好不好看、功能多不多”，就注定只能看到冰山一角。真正的较量藏在看不见的地方：模型架构如何取舍？数据喂养是否精准？推理控制能否兜底？商业模式是否可持续？本文提出——AI竞品分析的核心不是找差异，而是找因果，并从“表象（功能/体验/商业）”与“内里（模型/数据/控制/复制）”两大维度，构建一套穿透式分析框架，助你真正看懂对手的底层逻辑。

健壮的大姐姐

RAG 商业模式大模型

AI

超越静态检索：基于 Agentic RAG 构建企业级“智能知识大脑”的技术实践与思考

随着企业数字化转型进入深水区，非结构化数据爆发式增长与知识检索效率低下的矛盾日益凸显。传统的全文检索与基础 RAG（检索增强生成）技术在面对 B2B 复杂业务逻辑时，往往面临推理能力不足、权限管控失灵及“幻觉”频发等挑战。本文探讨如何引入 Agentic RAG（代理式检索增强生成）架构，通过“感知-规划-行动-反思”的智能闭环，解决多跳推理与复杂任务执行难题。同时，本文重点分析了基于向量的细粒度权限控制（ACL）与异构文档解析技术，为构建可信、可控的企业“第二大脑”提供路径参考。

Miracle

B2B RAG 案例分析

AI,个人随笔

RAG 技术深度解析（二）：检索与召回 —— 决定生成质量的核心工程环节

在RAG技术中，检索与召回是关键环节。本文深入剖析了检索的多重机制，包括关键词、向量、知识图谱检索，并探讨了影响RAG系统性能的核心工程指标，助力企业级检索架构的优化。

cheninx

RAG 向量检索技术原理

AI,个人随笔

AI 产品如何设计 RAG 召回策略

知识库文档已切片入库，AI 却仍答非所问或直接 “失忆”？问题核心不在模型，而在 RAG 的 “召回” 环节！向量检索并非万能，想要让 AI 精准响应，关键要打好 “混合检索 + 元数据过滤 + 重排序” 组合拳，啃下这块硬骨头，才能让知识真正为 AI 所用。

产品经理伯庸

AI产品 RAG 个人观点

AI,个人随笔

RAG 全攻略：传统RAG / Graph RAG/Agentic RAG 详解，一文读懂 RAG

RAG（检索增强生成）为AI模型赋予专属知识库与精准搜索引擎，使其回答更准确、具时效性。本文深入解析其三大核心形态及应用，助您全面了解RAG的原理与实践。

一葉

RAG 基础知识技术原理

AI,个人随笔

产品经理视角的RAG技术入门指南

本文旨在为产品经理提供RAG（检索增强生成）技术的通俗讲解，帮助理解这一技术的核心原理、应用场景和实际意义。文章基于腾讯云等公司的公开资料、行业案例和技术文章整理而成，用于学习和讨论，不构成技术选型的决策依据。如需做出重要的产品或技术决策，建议咨询专业的技术团队或行业报告。

说AI

RAG 产品经理视角基础原理

AI,个人随笔

AI面试题：如何评估RAG的效果？

AI 面试高频易错点！“如何评估 RAG 效果” 不仅难倒新手，连有项目经验的从业者也易踩坑。文章跳出单一技术指标，从技术侧（检索、关系链、生成）和产品侧（覆盖范围、准确率、效率）双维度拆解评估体系，结合 HealthBench 案例揭秘完整评测闭环，还纠正了向量库是 RAG 必需品的认知误区，助你面试降维打击。