CodeNodeX AI
注册写作
首页/标签/RAG

#RAG

专题介绍

这里聚合 CodeNodeX AI 社区中与 RAG 相关的技术文章和讨论，覆盖概念解释、工具对比、工程实践、常见问题和独立开发经验。

如果你正在研究 RAG，建议先阅读高质量长文，再参与帖子讨论，形成从理解到实践的完整路径。

@cedar·1 分钟阅读·AI 前沿

求助：RAG 答非所问怎么排查

我的 RAG 系统最近经常"答非所问"：明明检索到了相关文档，生成的答案却跑偏，甚至和文档矛盾。不知道是检索环节还是生成环节的问题。 排查思路是不是该分两步看：先把检索到的 chunk 打印出来看相不相关，再让人生成答案看模型有没有用对上下文？ 有没有一套成熟的排查流程？或者常见

#RAG♥ 10 评论
@elm·1 分钟阅读·AI 前沿

向量数据库选型：pgvector 还是专用库

选向量数据库我纠结过：pgvector（PostgreSQL 插件）还是专用的（Milvus、Qdrant 那些）。 我的结论是：中小规模用 pgvector，省心、和业务库一体、运维熟悉；百万级以上、需要复杂过滤和高吞吐再考虑专用库。 pgvector 最大的好处是不引入新组件

#RAG♥ 150 评论
@admin·2 分钟阅读·AI 前沿

RAG 进阶：Chunking、向量检索与 Rerank 实战

把文档塞进向量库再 top-k 召回，只是 RAG 的"hello world"。本文讲清提升 RAG 质量的四个杠杆——切分策略、混合检索、Rerank、Query 改写，并给出可复现的评估方法，让你的 RAG 从"勉强能用"到"真的准"。

#大模型 #RAG♥ 80 评论
@admin·2 分钟阅读·AI 前沿

向量数据库选型：pgvector vs Qdrant vs Milvus 实测思路

做 RAG / 语义搜索，逃不开"选哪个向量库"。本文不讲跑分榜单，讲选型逻辑：按数据规模、延迟、运维成本、混合检索四个维度，把 pgvector / Qdrant / Milvus / Chroma / Pinecone 放到真实场景里对比，给出"什么时候选谁"的明确建议。

#大模型 #RAG♥ 190 评论
@admin·2 分钟阅读·AI 前沿

RAG 评估实操：用 RAGAS 量化检索质量

"调 RAG 没有 eval 集，就是凭感觉。本文用 RAGAS 框架，讲清四个核心指标（context precision/recall、faithfulness、answer relevancy）各自在测什么、怎么建评测集、怎么跑、怎么用结果定位问题——让'我感觉变好了'变成'召回率从 0.72 提升到 0.91'。"

#大模型 #RAG♥ 240 评论