标签：RAG

什么是学习排序？AI 如何把相关文档排到前面

学习排序是什么？AI 如何根据相关性标注把文档排成顺序，它和重排序模型有何不同，以及点击数据为什么不能直接当成相关。

什么是查询扩展？为什么检索前要补上相关的词

查询扩展是什么？它如何在检索前补上同义词和相关词，和查询改写有何不同，以及扩展过度时为什么会把不相关文档也召回来。

什么是混合检索？关键词和向量为什么要一起召回

混合检索是什么？它如何把关键词匹配和向量搜索的结果合在一起，各自补上什么缺口，以及合并时为什么不能只看一种分数。

什么是关键词检索？为什么它还和向量搜索一起用

关键词检索是什么？它如何按词的出现情况给文档打分，和语义搜索有何不同，以及为什么型号、人名和同义说法需要两路一起召回。

什么是查询改写？让检索先听懂用户真正要问什么

查询改写是什么？AI 如何把省略、指代和口语问题改成适合检索的问法，它和阅读理解如何配合，以及改写偏了为什么要能退回原问题。

AI 知识库权限怎么做？避免 RAG 检索到不该看的资料

RAG 知识库为什么会发生权限泄露？讲清检索前过滤、文档 metadata、用户身份、分区索引与审计，让 AI 只回答用户有权看的内容。

什么是知识图谱？让 AI 看懂实体与关系的知识网络

知识图谱是什么？它如何用“实体—关系—实体”组织信息，和 RAG、向量数据库有何区别，以及哪些场景适合使用，一文讲清。

RAG 文档怎么切分？Chunking 策略与常见踩坑

知识库问答总是答不全或答错？讲清 RAG 文档切分为什么关键、按长度与语义切分怎么选、chunk 大小和重叠如何设置。

什么是 Reranker？为什么 RAG 要“二次排序”

Reranker 是什么？向量检索找出的结果为什么还要重排、它和 Embedding 的区别、何时值得加入重排序模型，一文讲清。

RAG 怎么评测？从检索命中到答案可信度的完整方法

RAG 系统怎么判断是否好用？讲清检索、生成与端到端三层评测，如何准备测试集、定位“答错”的根因，以及上线后的持续监控。

向量数据库是什么？RAG 的「记忆仓库」

Embedding 生成的向量存在哪、又怎么在海量数据里快速找到最相似的？一文讲清向量数据库是什么、和普通数据库的区别、以及它在 RAG 里扮演的角色。

什么是 Embedding 向量？一文讲清 AI 语义搜索的核心

RAG、语义搜索、推荐系统背后都靠它——Embedding（向量）到底是什么？用最直白的方式讲清文本怎么变成向量、为什么语义相近向量就相近。

AI 幻觉是什么？为什么大模型会一本正经地胡说八道

为什么 AI 会编造不存在的事实、还说得头头是道？一文讲清「幻觉」是什么、为什么会发生、如何减少，以及作为用户该怎么防。

微调、RAG 还是提示词？给大模型「喂」知识的三种方式

想让 AI 懂你的专业领域或私有数据，该选提示词、RAG 还是微调？用最直白的方式讲清三种定制大模型的方式、各自的成本与适用场景。

RAG 检索增强生成是什么？一文讲清原理与流程

为什么大模型会「一本正经地胡说」，RAG 又是怎么解决的？用最直白的方式讲清检索增强生成的原理、完整流程和适用场景。