检索回来 5 篇文档，其中 2 篇完全不相关，LLM 被噪声干扰，回答质量下降LLM 明明检索到了正确内容，回答里却掺了编造的信息（幻觉）整个流程是线性的，检索不好 → 生成就差，没有任何纠错机会不同文档适合不同的切分策略，但每次都要手动试线性 Chain 缺乏决策和反馈能力。数据从头流到尾，中间出了问题只能在最终结果里发现。LangGraph 解决的就是这个问题——把 RAG 流程建模为状态图，

检索回来 5 篇文档，其中 2 篇完全不相关，LLM 被噪声干扰，回答质量下降LLM 明明检索到了正确内容，回答里却掺了编造的信息（幻觉）整个流程是线性的，检索不好 → 生成就差，没有任何纠错机会不同文档适合不同的切分策略，但每次都要手动试线性 Chain 缺乏决策和反馈能力。数据从头流到尾，中间出了问题只能在最终结果里发现。LangGraph 解决的就是这个问题——把 RAG 流程建模为状态图，

检索回来 5 篇文档，其中 2 篇完全不相关，LLM 被噪声干扰，回答质量下降LLM 明明检索到了正确内容，回答里却掺了编造的信息（幻觉）整个流程是线性的，检索不好 → 生成就差，没有任何纠错机会不同文档适合不同的切分策略，但每次都要手动试线性 Chain 缺乏决策和反馈能力。数据从头流到尾，中间出了问题只能在最终结果里发现。LangGraph 解决的就是这个问题——把 RAG 流程建模为状态图，

从零拆解一个 RAG 系统：基于 LangChain + Chroma + DeepSeek 的学习笔记那个版本用 LCEL 链式调用实现了完整的 RAG 流程：文档切分 → 向量入库 → 混合检索 → LLM 生成。跑通之后我开始想：LangChain 的链式管道是线性的，一路到底没有回头路。如果检索到的文档不相关怎么办？如果 LLM 的回答是编的怎么办？这就引出了 LangGraph——它把

从零拆解一个 RAG 系统：基于 LangChain + Chroma + DeepSeek 的学习笔记那个版本用 LCEL 链式调用实现了完整的 RAG 流程：文档切分 → 向量入库 → 混合检索 → LLM 生成。跑通之后我开始想：LangChain 的链式管道是线性的，一路到底没有回头路。如果检索到的文档不相关怎么办？如果 LLM 的回答是编的怎么办？这就引出了 LangGraph——它把

RAG 的核心思路并不复杂——先搜后答。切分决定了知识库的"颗粒度"检索决定了能不能找到对的内容Prompt决定了大模型能不能好好利用这些内容这个项目的价值在于，它把这些环节都做成了可配置、可对比的，非常适合用来学习和实验。如果你也在学 RAG，建议把项目跑起来，多试几种参数组合，看看效果的变化，比光看文档理解深刻得多。📌 本文基于个人学习实践整理，如有错误欢迎指正。

Flutter实战记录提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加第一章 Flutter搭建、启动、虚机调试提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录Flutter实战记录前言一、开发Flutter需要准备的工具二、使用步骤1.引入库2.读入数据总结前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重

报错：Could not resolve host: mirrorlist.centos.org;Unknown error一般是因为网络配置错误导致无法连接外网，我们先尝试ping一下www.baidu.comping www.baidu.com果然，接下来我们就开始排查吧！！1.网络配置查看打开虚拟机设置，这里网络连接使用NAT模式，如果主机是可以联网的，选择NAT模式可以共享主机的IP地址。