程序员转行到大模型开发领域，可以根据个人兴趣和和职业规划选择不同的方向。

RAG的“检索،增强、生成”，谁增强了谁，谁生成了答案，主语很重要。是从知识库中检索到的问答对，增强了LLM的提示词（prompt），LLM拿着增强后的Prompt生成了问题答案。如何理解RAG？如何使用RAG？了解了什么是RGA，同步也理解了RAG的检索、增强和生成。那我们如何使用RAG呢？接下来以RAG搭建知识问答系统具体步骤为例，来讲解如何使用RAG？

2026年被业界称为“智能体爆发年”，但这股浪潮并非凭空而来。从技术条件看，以OpenAI o1、DeepSeek-R1、Gemini 3为代表的新一代模型，在复杂推理、长上下文处理、工具调用准确性上实现了质的飞跃，AI Agent的“大脑”终于足够强大。与此同时，MCP（模型上下文协议）、A2A（Agent-to-Agent）协议以及各类企业API的标准化，使Agent能够真正接入现实世界的业务

2026年被业界称为“智能体爆发年”，但这股浪潮并非凭空而来。从技术条件看，以OpenAI o1、DeepSeek-R1、Gemini 3为代表的新一代模型，在复杂推理、长上下文处理、工具调用准确性上实现了质的飞跃，AI Agent的“大脑”终于足够强大。与此同时，MCP（模型上下文协议）、A2A（Agent-to-Agent）协议以及各类企业API的标准化，使Agent能够真正接入现实世界的业务

2026年被业界称为“智能体爆发年”，但这股浪潮并非凭空而来。从技术条件看，以OpenAI o1、DeepSeek-R1、Gemini 3为代表的新一代模型，在复杂推理、长上下文处理、工具调用准确性上实现了质的飞跃，AI Agent的“大脑”终于足够强大。与此同时，MCP（模型上下文协议）、A2A（Agent-to-Agent）协议以及各类企业API的标准化，使Agent能够真正接入现实世界的业务

本文介绍了Ollama这一开源项目，它简化了在本地部署大语言模型（LLM）的过程，屏蔽了复杂的系统环境。Ollama提供了多种开源LLM模型及其权重、推理代码和微调脚本，让用户可以轻松运行和定制LLM。文章详细说明了在Mac设备上安装运行Ollama的步骤，并展示了如何通过客户端如open-webui与本地LLM进行交互。此外，还介绍了如何利用FreeGPT35项目在本地搭建ChatGPT 3.5

零成本搭建本地大语言模型：无需服务器，支持离线访问

本文详细介绍了15种RAG数据分块策略，包括逐行分块、定长分块、滑动窗口分块等。每种策略均配有原理、适用场景、示例和优缺点分析。文章强调不存在适用于所有数据的"万能分块策略"，应根据文档格式和使用场景选择合适的分块方法，并建议用真实数据测试，避免模型输出出现幻觉。

向量数据库已成为企业级RAG系统的核心基础设施，本文详细对比了Pinecone、Chroma、Weaviate、Qdrant、Milvus、PgVector和Redis七大主流数据库的特点、优缺点和适用场景。文章提供了基于企业不同发展阶段的选型策略，分析了性能、延迟、成本的平衡，并给出了企业级架构最佳实践。针对不同类型的RAG系统，文章提出了具体的技术选型建议，为技术团队提供了系统性的向量数据库选

本文系统介绍企业知识库构建的分层方法论，提出四层模型（数据源、解析、精炼、存储）和六大知识形态（问答对、三元组、多轮对话等），强调模块化设计与并行处理架构。提供从PoC到生产的五阶段落地路线，针对不同行业定制化建议，以及RAG系统的8个扩展维度，帮助企业将静态文档转化为可查询的智能知识库，通过数据驱动持续优化系统性能。