前言

传统 RAG 的基础设施负担

RAG 的困难在于所谓的“级联故障问题”，主要体现在以下几个方面：

• 分块问题 ：分块可能会失败，如在拆分表格时出现错误，或者分块速度太慢，尤其在需要实时摄取和分块千兆字节数据时，会影响整个系统的效率。
• 嵌入问题 ：嵌入过程中可能会出现错误的相似性判断，导致检索结果不准确。
• BM25 问题 ：BM25 可能会因术语不匹配而失败，无法准确检索到相关的内容。
• 混合融合问题 ：混合融合阶段可能会因权重设置不当而失败，影响检索结果的质量。
• 重新排名问题 ：重新排名可能会因优先级错误而失败，导致最终呈现给用户的结果并非最相关的内容。

每个阶段的失败都会加剧前一阶段的错误，使得整个系统的可靠性降低。除了混合搜索本身的复杂性之外，还有一个很少被讨论的基础设施负担。运行生产环境的 Elasticsearch 并不容易，需要维护 TB+ 的索引数据以实现全面的文档覆盖，这至少需要 128-256GB RAM 才能获得不错的性能。而真正的噩梦是重新索引，每次架构更改都会强制进行完整的重新索引，对于大型数据集，这需要 48-72 小时。此外，还需要经常处理集群管理、分片策略、索引优化、缓存调整、备份和灾难恢复，以及定期包含重大更改的版本升级等问题。

RAG 对复杂文档的基本限制

• 上下文碎片化：长文档是相互关联的网络，而不是独立的段落。一个问题可能需要来自 20+ 文档的信息。分块会永久破坏这些关系
• 数字语义搜索失败：如“和45,200,000”有不同的嵌入，“收入增长10%”和“收入增长十分之一”排名不同，充满数字的表格语义表示较差。无法准确理解数字和相关表述的语义，导致检索结果不准确，影响对数据和信息的正确解读。
• 词汇不匹配问题：公司对同一概念使用不同术语，如“调整后EBITDA”与“特殊项目前营业收入”。导致检索时无法准确匹配和理解不同表述下的相同概念，影响检索的召回率和准确性。
• 时间盲区：无法可靠地区分2024年第三季度和2023年第三季度，将当前期间与前期比较混淆，不理解会计年度边界。在处理涉及时间序列、周期性数据的问题时，容易出现错误和混淆，无法准确分析和比较不同时期的数据。

Claude 代码洞察：为什么上下文会改变一切

Claude Code 证明，只要有足够的上下文，搜索就会变成导航。当你可以加载完整文件时，无需检索片段；当你可以使用完全匹配时，无需相似性；遵循逻辑路径时无需重新排名；当你可以直接访问时，无需嵌入。像 ripgrep 这样的工具为搜索带来了诸多好处。无设置，无需索引，无开销，只需指向并搜索。即时可用性，新文档在进入文件系统的那一刻就可以搜索，没有索引延迟。零维护，无需管理集群，无需优化索引，无需配置 RAM。极速，对于 100K 行代码库，Elasticsearch 需要几分钟才能建立索引，而 ripgrep 在几毫秒内搜索它，无需准备。成本方面，基础设施成本为 0 美元，而 Elasticsearch 的基础设施成本较高。对于数千家公司或数十年的申请的搜索，它可能仍使用混合搜索，但现在作为代理的工具：使用混合检索进行初始广泛搜索；代理加载完整文档以获得最佳结果；在完整的上下文中进行深入分析；基于调查结果的迭代细化。我的猜测是传统的 RAG 现在是一种搜索工具，代理将始终更喜欢 grep 并读取整个文件，因为它们上下文丰富并且可以处理长时间运行的任务。

为什么代理搜索代表未来

RAG 是上下文匮乏时代的一种聪明的解决方法。它帮助我们弥合了微小窗口和海量文档之间的差距，但它始终是一个创可贴。未来不会是将文档拆分为碎片和兼顾嵌入。它将是关于能够导航、推理并将整个语料库保存在工作记忆中的代理。

我们正在进入后检索时代。赢家将不是那些维护最大的向量数据库的人，而是那些设计最聪明的代理来遍历丰富上下文并连接文档之间的意义的人。事后看来，RAG 看起来像是训练轮。有用、必要，但暂时的。

人工智能搜索的下一个十年将属于端到端读取和推理的系统。检索并没有消亡——它只是被降级了。

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。

最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

AI大模型系统学习路线

在面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。

但知道是一回事，做又是另一回事，初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性，在这基础上，找到高质量的学习资源，不浪费时间、不走弯路，又是重中之重。

AI大模型入门到实战的视频教程+项目包

看视频学习是一种高效、直观、灵活且富有吸引力的学习方式，可以更直观地展示过程，能有效提升学习兴趣和理解力，是现在获取知识的重要途径

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

海量AI大模型必读的经典书籍（PDF）

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

600+AI大模型报告（实时更新）

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

AI大模型面试真题+答案解析

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】