rag
"向量检索与RAG落地：分块、嵌入、召回与重排"
"给出端到端 RAG 流程与关键参数选择建议，覆盖分块、嵌入、召回与重排，帮助工程化落地与效果提升。"
"RAG混合检索与知识增强生成实践"
"深入探讨RAG架构中的混合检索策略，结合向量检索、关键词检索和知识图谱的多模态检索方案，通过实际案例展示如何构建高精度的知识增强生成系统。"
"RAG系统实践：Milvus vs Qdrant向量数据库对比"
"从架构、性能与运维维度对比Milvus与Qdrant在RAG检索增强系统中的表现，附查询延迟、召回率与资源开销验证数据，助力向量库选型与落地。"
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。
