一、概述 RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合检索系统与生成模型的技术架构。其核心思想是：在 LLM 生成回答之前，先从知识库中检索相关文档或片段（chunk），将检索结果作为上下文提供给 LLM，从而提升回答的准确性和可信度，同时有效缓解 LLM 的「幻觉」问题。 RAG 主要解决以下问题…

在 LLM 应用遍地开花的今天，检索增强生成（RAG）几乎成了知识库问答的标配。但很多人忽略了：关键词搜索并没有过时。理解两者的区别与联系，是做好检索系统的第一步。 一、一句话讲清区别 简单讲，关键词搜索适用于精确匹配，RAG 检索适用于语义模糊匹配。 这是两者最本质的分野。关键词搜索盯着"字"看，RAG 检索盯着"意…

做RAG（检索增强生成）的朋友，一定踩过这个坑：明明Prompt写得很好，大模型也很强，但检索出来的内容就是不靠谱。 问题很可能出在Embedding模型上。 今天就来聊聊，RAG检索中那些主流的Embedding模型，以及到底该怎么选。 一、主流Embedding模型盘点 1. OpenAI系列：曾经的绝对主力 早期做RAG，OpenAI的emb…

如果把 RAG 系统比作一道菜，Embedding 模型是火候，向量数据库是锅具，那 Chunk 切分就是刀工。刀工不对，再好的食材也出不来好菜。 一、为什么 Chunk 切分如此重要？ RAG 检索的文档切分是关乎检索质量的关键步骤，如何高效正确地切分，直接决定了能否检索到正确的答案。 切分之所以关键，原因有二：一方面，向量 Embedding …

很多人第一次接触 Claude Code，会把它理解成“一个会写代码的大模型”。但如果你真的拆开看它的内部实现，就会发现它的核心竞争力并不只是模型本身，而是一整套围绕模型构建出来的 Agent 运行时。 它不是回答一次问题就结束的聊天机器人，而是一个能持续思考、调用工具、压缩上下文、恢复错误、管理权限、协调子 Agent 的执行系统。换句话说，Cl…

当"能处理多少 token"成为衡量模型能力的新维度，如何在不让成本和延迟失控的前提下，把上下文从几万推向百万，成了各家大模型最棘手的工程难题。DeepSeek 给出了自己的答案。 DeepSeek-V4 发布已有一段时间，其极具竞争力的定价与高效的缓存机制，给开发者们带来了不小的惊喜。然而，模型出色的表现背后，支撑它的技术创新更值得深入探究。今天…

2026年5月8日，中央网络安全和信息化委员会办公室（国家网信办）发布《智能体规范应用与创新发展实施意见》。这是中国首份系统性针对AI智能体（AI Agent） 的顶层政策文件，全文覆盖技术底座、安全治理、应用场景、产业生态四大维度，为智能体从"野蛮生长"走向"规范发展"划定了清晰的路线图。 一、背景：智能体为何需要"实施意见"？ 文件开篇给出了明…

📖 本文已同步发布到公众号《浪浪山客栈》 https://mp.weixin.qq.com/s/-VfuWtXcVnwNA4iJmjBAZg 随着 AI Agent 的快速普及，一个现实问题浮出水面：Agent 越来越多，但它们彼此说不上话。 不同框架、不同公司构建的 Agent，各有各的接口、各有各的数据格式。想让它们协作，开发者必须手写大量胶水…

📖 本文是学习 Hello-Agents 项目时整理的笔记与思考。 文章已同步发布到微信公众号【浪浪山客栈】 https://mp.weixin.qq.com/s/r170l35dSyKLPlpA3NZwlQ 一、发展脉络：语言模型是如何一步步进化的？ 语言模型的核心任务，是对自然语言的概率分布进行建模——简单来说，就是让机器"理解&qu…

📖 本文是学习 Hello-Agents 项目时整理的笔记与思考。 拥有记忆和检索能力，只是 Agent 智能化的第一步。如何在有限的上下文窗口内，高效地组织、筛选和利用这些信息，才是决定 Agent 实际表现的关键——这正是上下文工程（Context Engineering）所要解决的问题。 文章已同步发布到微信公众号【浪浪山客栈】 https:…