做完一次总体设计后，我重新理解了企业级知识库
文章基于企业级智能知识库项目的实践，探讨了企业知识库的真正门槛。指出其不仅是文档存储，更是一套涵盖构建、治理、使用和优化的闭环运行机制。重点分析了知识库与知识空间的区别、知识生命周期管理、可信溯源及权限控制，强调知识库应作为支撑未来 Agent 的企业级 AI 知识引擎。
全部文档 / 标签: RAG
205 篇
CAG：缓存增强生成，RAG的替代方案
文章介绍了缓存增强生成（CAG）作为一种替代经典RAG流水线的新方案。CAG通过将全部知识预加载到模型上下文并缓存KV Cache，显著提升响应速度，解决检索延迟和召回缺失问题。适用于中短篇幅静态文档，但对大规模或频繁变动数据仍需传统RAG或混合架构。
从一页产品说明到企业级 Agent，完整复盘
本文复盘了一个企业级售后工单 AI 工作台的开发全流程。项目经历业务定义、产品设计、技术选型、开发实现及验收部署六个阶段，最终交付包含权限管理、知识检索、审计等功能的完整 Agent。文章总结了“AI 执行，人做选择”的协作模式，强调证据留存与工程边界，提供了一套可复用的 AI 辅助开发方法论。
被王虹刷屏的两天
文章包含两则短讯。前半部分反思了不合群想法的价值，指出吃苦并非成功的途径，找到适合的位置更重要。后半部分讨论了RAG技术在小型企业中的应用，认为文档本身的可信度问题比检索技术更关键，提出应关注运行时Policy的开发，而非过度纠结于检索链路。
提升 Agent 的信息搜索能力：Serper 与豆包搜索对比评测
文章对比了 Serper（Google 封装）与豆包搜索在 Agent 应用中的表现。豆包在 Query 改写、结构化数据（汇率/股价）、跨语言检索、时效性过滤及信源权威度分级上优势明显，更适合处理中文口语化及实时信息需求；而 Google 在英文学术检索上仍占优。文章指出高质量搜索 API 对提升 Agent 推理能力至关重要。
2026年如何成为AI工程师（无需CS学位）
文章指出2026年AI工程师角色已分化为机器学习工程师和应用AI工程师。对于非CS学位求职者，后者是主要机会。文章详细列出了必备技能（Python、LLM行为、RAG系统、评估观测），并提出了三个能替代学历证明的实战项目建议。
《指挥 AI，做出一个企业级 Agent》09：接通大模型只是开始，真正难的是不让它越权
文章探讨企业级 Agent 开发中如何防止 AI 越权。作者指出接通大模型仅是第一步，关键在于通过服务端规则、来源白名单和 Human-in-the-loop 机制约束模型行为。文章介绍了流式输出协议、AI 原稿与人工终稿分离、以及模型不可用时的降级策略，强调企业需建立可追踪的责任链路，确保 AI 只提供建议，不直接产生业务结果。
Agent Wikis 的现状与发展
文章介绍了基于 Andrej Karpathy 提出的“LLM Wiki”概念而衍生出的四种 Agent Wiki 系统（DeepWiki、AutoWiki、OpenWiki、GBrain）。核心原理是在摄取阶段将信息编译为 Markdown 页面，而非在查询时检索。文章详细阐述了系统架构、优势及不同团队的工程实现差异。
Kimi K3 + 图工程：降低85%成本并提升18%准确率
文章介绍了通过结合 Kimi K3 模型与图工程构建 AI 系统的方法。相比传统 RAG，该架构利用知识图谱存储实体关系，能处理复杂推理，实现成本降低85%和准确率提升18%。文章引用微软 GraphRAG 等研究，详细阐述了如何从零开始构建该系统。
《指挥 AI，做出一个企业级 Agent》08：企业 RAG 不是上传几个 PDF
文章指出企业 RAG 不仅仅是上传 PDF 回答问题，更需关注文档版本、权限、来源追溯及停用管理。作者通过模拟企业真实文档环境，构建了包含版本控制和过滤机制的评测体系，强调了可靠检索与诚实无答案的重要性，并分享了针对小规模知识库的技术选型经验。
Agent Wikis 的现状与发展
文章探讨了 LLM Wiki 模式的兴起，即通过在摄取时编译知识而非查询时检索，解决传统 RAG 无法积累知识的问题。介绍了 Cognition、FactoryAI、LangChain 等团队构建的 Agent Wiki 系统，分析了其架构原理及在维护成本上的优势。
图工程如何取代RAG：微软、斯坦福和Anthropic的实践
文章介绍了图工程相比传统RAG在复杂问题回答上的优势，通过微软GraphRAG、斯坦福DSPy及Anthropic Claude的案例，展示了图结构如何提升AI准确性和降低成本。核心观点是图工程能捕捉实体间关系，而非仅检索文本片段。
网页爬虫迎来重大升级：PixelRAG 实现基于视觉的网页检索
PixelRAG 是一种开源的视觉化网页检索技术，通过直接截图并使用视觉模型分析像素，而非依赖 HTML 解析，从而避免信息丢失。它构建了 3000 万维基百科截图的视觉索引，在问答任务上超越传统文本 RAG 基准 18.1%，并支持 Claude 代码插件。
写作即编排——当方法论指向自己
本文是“AI时代的知识编排”系列收官之作。作者回顾了利用AI与结构化知识库高效产出技术博客的实践，发现写作过程本身遵循着“文档驱动”（SDD）的逻辑。文章通过信息论、认知科学及实证数据论证了结构化输入的重要性，并指出知识编排已成为AI时代内容生产的生存必需，强调了核查与人工判断不可替代。
How to Become an LLM Engineer
本文是2026年成为LLM工程师的实用指南，涵盖核心技能（RAG、Agents、生产部署）、学习路线、推荐工具及项目构建建议，帮助读者系统掌握大模型应用开发与工程化能力。
深入理解 AI Agent：设计原理与工程实践
李博杰新书《深入理解 AI Agent：设计原理与工程实践》开源，涵盖从0到1构建生产级AI Agent的原理与代码，包括RAG、工具调用、多Agent协作等实战内容。
RAG 像素级拆解实战：索引、混合检索与评测体系
本文通过 Notebook 实战项目，对 RAG 系统的索引与检索过程进行了深度解析。内容涵盖文档切分（Chunking）、SQLite FTS5 倒排索引、BM25 关键词检索、向量 Embedding 语义检索，以及基于 RRF 的混合检索召回策略。此外，文章还介绍了如何构建评测集来验证检索效果，提供了完整的代码与数据结构示例，旨在帮助开发者理解 RAG 底层运作原理与工程实践细节。
Agent 的数据面概念扫盲-建立技术侧认知体系
本文深入解析了 Agent 数据面的核心概念，将其比作操作系统的内存管理单元。文章详细阐述了 Context Engineering 的演变、Session/Thread/Profile 的架构差异，以及 Session Memory 与 Long-term Memory 的区别。作者还重点介绍了 Hermes 中的 Memory 设计方案、SQLite FTS5 与 BM25 算法原理，以及向量检索与关键词检索在 RAG 中的混合应用，旨在为开发者建立一套完整的 Agent 数据面技术认知体系。
Crawl4AI：7万星开源神器把网页秒变LLM能吃的干净Markdown
文章介绍了一款名为 Crawl4AI 的开源爬虫工具，GitHub 星标超 7 万。该工具专为 RAG 和 Agent 设计，能将网页快速转换为干净的结构化 Markdown 数据。其特点包括零 API Key、异步浏览器池、智能去噪、支持 CLI/Docker 部署以及强大的反爬策略，被视为构建 LLM 数据管道的利器。
让RAG长出脑子：Agentic RAG的多步推理实践
文章指出传统单轮 RAG 在处理复合问题时存在检索不足或幻觉的缺陷，提出通过 Agentic RAG（多步推理）来解决。核心思路是将 LLM 从被动应答升级为主动调度的指挥官，利用 ReAct（推理-行动循环）机制，自主决定检索次数和工具调用。文中详细展示了如何封装检索工具、执行函数（含权限过滤、混合检索）以及编写多步推理循环代码，实现复杂问题的精准回答。
从搜索到核查：打造高质量内容的AI六步生产流水线
文章对比了AI写作的“魔法棒”与“流水线”模式，指出一次性生成缺乏质量门禁，容易产生误导性幻觉。作者提出了一套包含库检索、补搜、写作、配图、核查、修复的六步生产管线，强调通过结构化验证和分诊核查，确保每个论点有据可查，从而将AI写作从简单的文本生成升级为可验证的知识生产过程。
为什么你的AI知识库一直搭建不起来？看看是不是缺了这四层架构
文章指出AI知识库搭建失败常因只有资料层，缺了索引、规则和工作流。资料层重质不重量，索引层解决检索路径，规则层限定输出与引用规范，工作流层确保落地任务。
先建库，再写文章——为什么大多数 AI 写作是「无根之木」
文章指出直接使用 ChatGPT 等 AI 生成内容往往缺乏事实依据且容易产生幻觉，作者提出了一种「先建库，再写作」的方法。通过提前花两天时间收集并结构化整理 43 篇高质量文献作为私有知识库（人工版 RAG），确保写作时每个论点都有可靠的数据和来源支撑。文章对比了临时搜索与提前备料的差异，并展示了该方法在 7 天内产出多篇高质量技术博客并获得显著收益的实战案例。
如何在 2026 年成为AI工程师
文章指出 2026 年 AI 工程师的门槛已变，不再看重学历，而是看重作品集与交付能力。作者拆解了 AI 工程师的三个核心能力：软件工程、LLM 使用及产品思维，并规划了一份为期 12 个月的六阶段实战路线图，涵盖 Python 基础、LLM API、RAG、Agent 系统开发、评估部署及求职准备。
私有知识库从 demo 到生产，中间差了 8 层工程
文章探讨了私有知识库项目在实际落地中遇到的挑战。许多 Demo 看起来聪明，但在生产环境中常因检索链路混乱而答非所问。作者指出单纯升级模型无济于事，根本在于构建稳固的 RAG 底座。文章详细拆解了从数据源、解析、清洗、切分、Embedding 到索引、检索、生成及评估的 8 层最小可用架构，并阐述了 Agentic RAG 如何通过决策层优化检索策略。最后提供了从 0 到 1 的搭建步骤及技术选型建议，强调权限过滤、混合检索与持续评估的重要性。
用 FastAPI + pgvector 跑通最小可运行私有知识库
本文是一份实战教程，指导读者从零搭建一套最小可运行的 RAG（检索增强生成）私有知识库。技术栈采用 FastAPI 作为接口框架，PostgreSQL 配合 pgvector 扩展进行向量存储，并调用通义千问（Qwen）模型与 Embedding 服务。文章详细讲解了项目结构、依赖配置、数据库模型定义以及文档入库的完整代码实现，旨在构建一个可落地的工程底座。
私有知识库实战：查询改写、混合检索与重排优化 RAG
本文是私有知识库构建系列的第 3 篇，旨在解决基础 RAG 系统在短问题召回、关键词匹配及结果排序上的缺陷。作者详细介绍了通过 LLM 进行查询改写以补全上下文，利用 PostgreSQL 结合 Jieba 实现混合检索（向量+BM25），以及使用 RRF 算法融合检索结果，从而显著提升知识库的日常可用性。
私有知识库第4篇：评估集 + 增量更新，让 RAG 能长期跑下去
文章探讨了 RAG（检索增强生成）系统长期运行的两大难题：评估与更新。作者提出建立包含50个问题的“评估集”，通过 Recall、Precision 和 LLM 辅助的答案准确率来量化系统效果，避免盲目调参。同时，针对文档更新导致的全量重建成本问题，介绍了基于内容 Hash 的增量更新策略，仅处理变动文档，大幅降低资源消耗与停机时间。
阿里开源 Zvec：像 SQLite 一样极简的嵌入式向量数据库
阿里开源了一款名为 Zvec 的向量数据库项目，主打“纯本地、内嵌式”极简体验，号称向量界的 SQLite。该项目基于 C++ 编写，支持零配置安装，性能强悍（毫秒级搜索数十亿向量），同时兼容稠密、稀疏向量及全文检索。它非常适合本地大模型、RAG 和个人知识库开发，彻底免去了部署繁琐的后端向量服务。
普通人和中小企业如何搭建AI知识库
文章针对通用大模型不懂企业内部业务的问题，提出搭建AI知识库的解决方案。作者分析了从直接投喂到RAG等五种实现方式的优劣，强调中小企业应优先采用“目录化知识库”，并结合教培、健康产品、家装等实际案例进行说明。最后提供了具体的目录结构建议、可直接复用的提示词以及工具选择标准，帮助读者快速落地应用。