第18页 | RAG | 人人都是产品经理

AI

RAG技术全面解析：从技术原理到工程实践的完整指南

RAG（检索增强生成）技术正成为AI应用落地的关键支撑。本文从底层原理到工程实践，系统梳理RAG的架构演进、技术挑战与应用场景，帮助读者全面理解其在智能问答、企业知识库等领域的价值与落地路径。

A ad钙

RAG 技术原理案例分析

AI,个人随笔

深度解析MCP与RAG：从信息检索到工具调用的上下文工程革命

RAG你听过，MCP你了解吗？这篇文章讲透它们的区别，重点说说MCP怎么让AI“更懂问题”，更精准地找答案。如果你在做AI产品或探索智能问答，这篇干货不容错过。

hanpangzi

AI应用 MCP RAG

AI,个人随笔

别再只知道 ChatGPT！RAG 才是企业落地 AI 的 “刚需神器”，3 分钟搞懂核心逻辑

ChatGPT很强，但它不是万能。这篇文章用通俗语言讲清楚：RAG到底是什么、为什么它才是企业真正需要的AI技术，适合每一个想搞懂AI落地逻辑的人看看。

阿毅sunyi

ChatGPT RAG 技术原理

AI

AI产品经理：从文档解析到数据清洗，打造高质量RAG数据集

在大模型应用落地的过程中，RAG（检索增强生成）正成为连接外部知识与智能问答的关键技术。但真正能跑通的RAG系统，背后依赖的是一套高质量的数据构建流程——从文档解析、内容切分，到数据清洗与结构化，每一步都决定了最终效果。本文将以产品经理视角，拆解打造高质量RAG数据集的完整路径，不仅讲方法，更讲实操，帮助你在AI项目中少踩坑、快落地。

产品经理小易

AI产品经理 RAG 技术原理

RAG到底是啥？它如何让AI从“瞎编”变“靠谱”

从医疗、教育到金融和制造业，AI的应用不仅提高了效率，还带来了全新的用户体验。文章详细分析了AI技术的发展趋势、面临的挑战以及未来的发展方向，为读者提供了一个全面的视角来理解AI如何塑造我们的未来。

伍德安思壮

AI应用 RAG 个人观点

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……