之前的文章中，我们从基础设施（Milvus）、语义核心（BGE）、到代码落地（LangChain）以及应用层优化（Small-to-Big/HyDE），构建了一套完整的 RAG 知识体系。 然而，AI 领域的变化是指数级的。随着 Claude 3 支持 200k 上下文，Gemini 1.5 Pro 甚至支持到 1M token，一种论调开始流行：“RAG 已死，Long Context (长上下文) 才是未来。” 毕竟，如果能把整本《红楼梦》或整个公司的知识库直接塞进 Prompt 里，还需要费劲地做切片、建索引、搞检索吗？ 但现实是骨感的。“能放进去”不代表“能跑得动”。 把海量文本直接喂给…
在前几篇文章中，我们搭建起了 RAG 的骨架：选好了向量数据库（Milvus），配置了强大的语义模型（BGE），甚至解决了时间衰减的问题。 现在，你的 RAG 系统已经能跑通了。但在实际测试中，你可能会撞上一堵无形的墙： * 场景 A： 你问“公司迟到怎么罚款？”，系统搜到了“罚款 50 元”的片段，但 LLM 答错了。因为那个片段太短，丢掉了前面关键的主语——“连续三次迟到者”。 * 场景 B： 用户问“怎么治那个一直在嗓子眼里的病？”，系统搜不到任何结果。因为数据库里的文档写的是专业的“慢性咽炎临床治疗方案”。 这标志着我们进入了 RAG 开发的深水区——检索质量优化（Retrieval Quality Optimization）。 不仅仅是“搜得快”，更要“搜得准”且“读得懂”…
在构建 RAG系统时，我们经常会遇到这样一个尴尬的场景： 用户问：“最新的 iPhone 摄像头参数怎么样？” 你的 RAG 系统兴致勃勃地从数据库里找出了 iPhone 11 的评测文章，因为那篇文章写得非常详尽，和问题的语义相似度（Semantic Similarity）极高。而关于 iPhone 12 的介绍可能比较简短，导致向量距离稍远，被排在了后面。 这就是向量检索的“时效性盲区”。 在 HNSW 或 IVF 这样的向量索引眼里，只有空间距离，没有时间概念。数据一旦写入，它在向量空间的位置就是永恒的。但在新闻、金融或日志分析等场景中，“新”往往比“准”更重要。 那么，在使用 Milvus 或 Faiss 时，我们如何引入时间衰减（Time Decay）…
在前两篇文章中，我们已经达成了共识：“Milvus + BGE-base + BGE-Reranker” 是目前构建中文 RAG 系统的高性价比黄金组合。今天，我们将使用 LangChain 框架将这三个组件串联起来，构建一个真正具备“漏斗式检索”能力的 RAG pipline。 准备工作 在开始之前，请确保你已经安装了 Docker 并启动了 Milvus 实例。同时，你需要安装以下 Python 库： pip install langchain langchain-community langchain-huggingface pymilvus sentence-transformers 注：我们将使用最新的 langchain-huggingface 库来加载模型，这是 LangChain 官方推荐的现代化方式。 核心架构设计 我们的代码将遵循以下数据流： 1. 加载与切分 (Load & Split): 将长文档切分成…
上一篇我们搞定了“身体”（Milvus 向量数据库），这一篇我们要赋予系统“灵魂”（语义理解）。 很多开发者有一个误区：认为 RAG 的效果主要取决于大模型（LLM）的智商。其实不然，RAG 的“生死线”在于检索（Retrieval）。 如果你喂给 LLM 的是垃圾文档，在好的LLM 也救不了你。而决定检索质量的核心，就是 Embedding（向量化） 和 Rerank（重排序） 模型。 在上一章中，我们搭建了 Milvus 向量数据库，它就像是一个巨大的、极其高效的图书馆书架。但是，把书放上去只是第一步，最难的是：当用户问“苹果怎么吃”时，你怎么知道要把关于“水果”的书给他，而不是关于“iPhone 手机”…
为什么说 Milvus 2.0 是云原生的？它如何通过“存算分离”实现无限扩展？从 Kafka 的多路消费到 HNSW 的参数调优，本文配合详细架构图，深度拆解 Milvus 的内核机制。 在 RAG 系统中，向量数据库（Vector Database）是长时记忆的载体。许多开发者在初次接触时，往往会选择 Faiss 这样的轻量级库。但当数据量突破千万级，或者需要高并发、高可用（HA）支持时，架构完善的数据库系统就成为了必然选择。 Milvus 是目前最主流的云原生向量数据库之一。与传统数据库不同，它采用了存储与计算完全分离的设计。这意味着，如果你还没看懂它的架构，你可能正在浪费大量的服务器资源，或者在面对“为什么刚插的数据搜不到？”这种问题时束手无策。 今天，我们通过一张图，并结合日志流转和索引原理，彻底看懂 Milvus 是如何工作的。…
如果你曾问过 ChatGPT：“今天我公司的股价是多少？”或者“请总结一下刚才我上传的这篇 PDF 文档”，你其实就已经触碰到了 RAG (Retrieval-Augmented Generation，检索增强生成) 的边缘。 在人工智能的浪潮中，大语言模型（LLM）展现出了惊人的才华，它们像是一个博古通今的学者，读完了互联网上几乎所有的书。但这个学者有两个致命的缺陷：第一，他的记忆停留在了训练结束的那一天（知识截止）；第二，他非常自信，即使不知道答案，也会一本正经地胡说八道（幻觉）。 RAG，就是为了治愈这两个“顽疾”而诞生的技术方案。 作为本系列文章的开篇，我们将带你回到原点，探讨 RAG 是什么，它为何成为 AI 应用的主流范式，以及在实际工程落地中，我们正在面临哪些棘手的挑战。 什么是 RAG？一场“开卷考试” 如果把大模型（如 GPT, Llama,…