rag
嵌入模型选型：维度、性能与语义覆盖
在检索与语义匹配场景下，合理选择嵌入模型与向量维度，平衡召回质量、延迟与成本。
RAG评估指标：Faithfulness与Answer Relevance
通过忠实度与答案相关性指标评估 RAG 系统质量，结合上下文覆盖与召回构建可运行的评测体系。
RAG 评估与可复现实验流程（2025）
RAG 评估与可复现实验流程（2025）RAG 的优化需数据驱动与可复现。本文给出评估与回放流程。一、评估集与采样分层采样：覆盖主流与长尾问题。版本管理：评估集与数据源版本化，记录变更。二、指标与记录指标：召回率/准确率/引用正确率与覆盖度。记录：检索片段与生成输入输出日志，支持回放。三、回放与对照
RAG 系统实践 数据到检索再到生成
覆盖从数据准备、嵌入建索引、检索到生成的完整实践路径，并给出参数选择与验证方法以提升效果稳定性。
RAG 检索增强生成：从零到上线
面向生产的 RAG 架构与实现要点，覆盖切分、索引、检索、重排序与评估。
"RAG 检索增强生成系统最佳实践（2025版）"
"系统化梳理 RAG 从数据到检索到生成的关键环节，给出可验证的参数与落地方案，帮助在生产中实现稳定高质答案。"
GraphRAG知识图谱检索：节点/边建模与查询
以知识图谱增强检索与生成，规范节点/边建模与查询策略，提升多跳与关系回答能力。
