Skip to content
系列
6 篇文章

RAG 系統實戰

從失敗模式、檢索排序到 multi-agent orchestration，整理一條可落地的 RAG 系統設計路線。

ai guide RAG 系統實戰

RAG 系統模式完整指南：從 Naive 到 Multi-Agent 的十代演化與實戰導航

RAG 已經從簡單的「搜尋+生成」演化成涵蓋十個世代的技術體系。本文是系統化導航：從 Naive RAG 到 Multi-Agent RAG 的十代演化、檢索策略、Chunking、Embedding、Reranking、評估框架、可觀測性、成本優化。每個主題都有對應專文深入。

#rag#guide#retrieval#embedding#reranking#evaluation#agent
ai debug RAG 系統實戰

RAG 常見失敗模式：10 種問題和對應的解法

RAG 系統出問題，90% 的情況是這 10 種之一。先識別是哪種失敗模式，再找對應的解法，比盲目優化有效很多。

#rag#debugging#failure-modes#quality#troubleshooting
ai guide RAG 系統實戰

Hybrid Search：用 BM25 + 向量搜尋彌補彼此的盲區

向量搜尋抓語義，BM25 抓關鍵字，兩者用 RRF 融合才能同時照顧模糊查詢和精確術語。

#rag#hybrid-search#bm25#vector-search#rrf#embedding
ai guide RAG 系統實戰

Multi-Agent RAG：多個專業 Agent 協作的分散式檢索架構

單一 RAG Agent 處理所有查詢會遇到知識邊界和效能瓶頸。Multi-Agent RAG 把檢索任務分派給多個專業化 Agent，每個 Agent 有自己的知識庫和檢索策略，由中央 Orchestrator 協調合併結果。

#rag#multi-agent#orchestration#distributed-retrieval#agent
ai guide RAG 系統實戰

36 小時建出法律合約 RAG：Weaviate Query Agent + ColQwen 架構拆解

用 Weaviate Query Agent + ColQwen 多向量模型，一個 prompt 在 36 小時內搭出生產等級的法律合約搜尋系統——這篇拆解它的架構邏輯、技術選擇，以及你真正需要注意的事。

#rag#weaviate#legal-ai#colqwen#muvera#vector-database#agentic-search
ai deep-dive RAG 系統實戰

PageIndex：不做向量的 RAG，把長文件變成一本有目錄的書

PageIndex 不切 chunk、不做 embedding、不存向量，靠 LLM 推理一份 LLM 自己寫的目錄樹，在 FinanceBench 拿到 98.7%（GPT-4o 直讀只有 31%）。它解的不是向量 RAG 的同一個問題——是『在一份結構清楚的厚文件裡找對的那一節』。

#rag#llm#pageindex#vectorless#retrieval#financebench