首页

UNREAL 论文解读：RAG 与长上下文如何统一证据选择

硅谷刘老师解读的 UNREAL 研究，尝试用大语言模型自身的内部表示，统一 RAG（检索增强生成）和长上下文中的证据选择。方法冻结主模型，只训练不到 50 万个参数，用于编码文本片段并派生检索查询。配文称，该方法在 Wikipedia 检索和长上下文评测中均有提升，为长文档问答、知识库检索提供了研究思路。

仅基于配文整理

Spring Boot AI 实战第12讲：企业智能体平台实战

javascript.js 在「Spring Boot AI 实战」第12讲中汇总企业 AI 智能体平台的架构与研发路线：以 Spring Boot 3 为底座，让智能体循环思考、执行行动，并接入知识库检索、Java 业务工具、MCP 协议和带人工审批的工作流。配文给出从工程搭建、用户鉴权到权限沙箱、成本看板与 Docker 交付的15步概览，可用于梳理平台模块与开发顺序。

仅基于配文整理

RAG 检索系统的三层拆解：怎么找、谁来做、怎么跑得快

维小灿将 RAG 的检索部分拆成检索策略、组件职责和运行性能三层。策略上，向量检索匹配语义、关键词检索匹配字面，两路分数不能直接相加，用 RRF 按排名融合结果，必要时再用重排模型细排。组件上，向量数据库负责保存向量、原文与来源，并建立索引、执行搜索；性能上，用 HNSW 和图结构减少向量比较，或用 PQ 压缩向量，节省内存和计算。

RAG 分块该怎么做？检索粒度与大小取舍

作者强调，RAG 分块的核心是决定哪些文本片段应成为检索系统的基本单元，而不只是调整大小参数。大块保留的上下文更完整，却容易带回无关内容；小块语义更集中，却容易切碎上下文。选择分块大小时，关键是找到适合独立检索的内容粒度，权衡上下文完整性与语义集中度。

拆解 JEV（下）：AI 智能体系统中的 8 类典型应用场景

作者建议把 AI 智能体中高频、答案有限的判断交给 JEV：输入当前状态和判断标准，返回选择、评分或判断结果及概率，用于下一步动作、工具路由、风险检查等。8 类场景沿用同一分工：大语言模型负责规划与生成，JEV 做快速判断，程序负责执行与验证。作者提醒，当前决策模型不支持视觉理解，也可能误判；是否更快、更准，仍需上线前评估。

面向校招面试的 RAG 企业知识库助手项目分享

AI实战阿C 分享一个面向校招、实习面试展示的本地知识库问答项目，并将其定位为“企业级”系统。核心做法是用 RAG（检索增强生成）查找知识，为大模型回答补充企业细节；配文列出的技术栈是 Milvus 向量数据库、LangChain 和 DashScope。

Dify 25分钟手把手搭建基于知识图谱的 RAG 系统

这是一段25分钟的手把手教学，演示如何使用 Dify 搭建基于知识图谱的 RAG 系统，适合想了解这类工作流搭建方法的读者。