RAG标签_龙虾开发者社区

RAG

AI Agent 架构设计与多 Agent 协作系统搭建：权限边界应该划在哪里

Agent 可以理解请求，但不该拥有数据库或基础设施的最终操作权。若工具层没有单独校验身份、资源范围和动作类型，模型生成的调用参数就可能越过预期边界。Prompt 只能帮助模型理解任务，不能充当安全控制。面对提示词注入和模型输出波动，授权判断必须留在模型之外。一旦给 Agent 挂上了真实系统的 Tool Calling 权限，权限边界到底该划在哪里？

baronbool
2026-08-17 21:30:47

 3400

 6

#AI #人工智能 #后端 +2
反对 AI 八股文（三）：AI Agent 时代，个人真正的资产是沉淀下来的可复用经验

摘要：在AI Agent时代，个人真正的资产是经实践验证、可复用的经验沉淀。传统知识技能因AI普及而贬值，唯有经验能持续增值。通过Dify平台69个实验和87个工作流的实践，作者验证了经验资产化的可行性：将踩坑记录提炼为可调用、可验证的技能库，形成不依赖人脑的组织记忆。真正的资产需满足可复用、可验证、可调用三要素，而收藏夹、简历技能等"伪资产"只会带来虚假安全感。建议定期盘点个人技能库，保持资产活

 xluge248
2026-08-17 09:18:43

 297

 15

#人工智能 #RAG
从 Prompt 到 Agent：2026 年 LLM 应用的四层架构

大模型实战》第 2/10 篇下篇预告：RAG 还值不值得做？很多人把「会写 Prompt」当成会做大模型应用。本篇给你一张分层图，以及每层该上、不该上的判断标准。

赵大仁
2026-07-21 17:51:02

 257

 4

#AI #RAG #人工智能
Agentic AI 架构入门（三）：Agent 的七大组件与 PRAL 循环

内部训练数据可能过时——必须计划：①search_for_info ②analyze_results ③write_report。

zylyw123
2026-08-09 18:00:58

 287

 4

#人工智能 #架构 #RAG
Agno 从入门到精通（二）：工具、知识库与记忆，让 Agent 真正可用

延续 Agno 从入门到精通系列第二篇，聚焦 Tools、Knowledge、Storage 与 Memory，结合官方 2.8.6 资料实现一个技术支持知识库 Agent。

就是一顿骚操作
2026-08-03 15:44:13

 407

 10

#人工智能 #RAG
深圳 Agent 招聘火爆！790 个职位揭示 6 大行业薪资与趋势，大厂高薪但非唯一选择！

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？答案只有一个：人工智能（尤其是大模型方向）当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应

 Python怎么学啊
2026-07-14 21:29:23

 259

 6

#人工智能 #产品经理 #RAG +2
Agent越多越乱！搞懂这两种分工模式就够了

很多人觉得，一个 Agent 搞不定的事，那就上两个、三个、五个。好像人多力量大，放在 AI 世界也成立。

AI_小站
2026-07-10 16:53:13

 216

 3

#人工智能 #java #RAG
从 RAG 到 LLM Wiki：Agent 记忆的下一步，也许是你的知识库

本文探讨了Agent记忆机制与个人知识管理的相似困境，并提出LLM Wiki作为解决方案。文章首先分析了Agent面临的三大记忆问题：上下文碎片化、重复推演和被动响应，指出其本质与人类知识管理困境相同。现有RAG技术虽解决检索问题，但仍存在文本割裂、重复检索和被动响应等局限。相比之下，LLM Wiki采用"增量编译"模式，通过知识图谱构建、推理链沉淀和复合查询处理，实现知识的结构化管理和主动更新

 2301_80117363
2026-07-16 17:37:22

 638

 18

#RAG
技术方案分享｜AI Agent 赋能 IVR 导航，解决传统语音呼叫系统交互瓶颈

传统 IVR 基于静态按键流程，交互扩展性差。本文解析 AI Agent 赋能的新一代 IVR 导航方案，介绍自然语言分流、可视化流程引擎、RAG 私有知识库、多终端适配四大核心模块，分享私有化部署方案，适用于呼叫中心、政务热线、应急调度通信系统。

山东零软-IPHWT
2026-08-14 13:16:25

 311

 10

#人工智能 #RAG
跨境AI智能体分层架构设计：网关层、调度层与执行层的解耦实践

本文提出跨境电商AI智能体的三层解耦架构：网关层统一接入，实现多模型路由（OpenAI/Claude/DeepSeek）与限流熔断；调度层基于LangGraph的Supervisor-Worker模式负责任务拆解、状态管理与会话持久化；执行层通过标准化Tool机制对接ERP、电商平台等外部系统。三层通过明确接口契约通信，实现独立演进与故障隔离，为构建高可用企业级AI Agent提供了可落地的架构设

 circuitsosk
2026-08-14 10:10:25

 351

 9

#人工智能 #RAG
如何从0到1开发一个AI Agent？

本文首先会对衍生出的标准工程化基础设施进行简要介绍，然后通过实现一个简化版的个人助理Agent，来看下MCP、SKILLS以及Context Engineer是如何支撑Agent稳定运行的。

程序学到昏
2026-08-13 14:32:46

 227

 7

#人工智能 #java #前端 +2
普通程序员有没有必要学习 Agent 开发？

作为普通程序员，我们肯定都用 agent ，至少 AI 编程吗。但我们有没有必要深入学习 AI Agent 呢？

程序学到昏
2026-08-13 14:31:42

 216

 8

#学习 #java #人工智能 +1
技术排障Agent落地：L1问题自主解决率81%的搭建过程

本文详解技术排障Agent从0到1的搭建过程，面向SaaS企业运维团队，涵盖错误日志自动分析、RAG知识库检索、ReAct框架循环决策及人类求助机制设计。通过LangChain配置与LangSmith追踪方案，实现L1问题自主解决率81%的落地效果，平均处理时长从22分钟降至7分钟，为AI Agent在技术运维场景的实践提供可复现路径。

小助手
2026-08-11 14:30:47

 357

 5

#RAG
Checkpoint 源码：Agent 执行到一半怎么保存（第80篇-E66）

系列「企业级 AI Agent 实现拆解」E66 篇，Part 14 记忆篇第四章。上一篇讲记忆多了怎么衰减淘汰——那是长期知识。这篇讨论另一种持久化：Agent 正在执行时被中断了（用户关页面、服务器重启、手动暂停），怎么保存状态、下次从哪接着跑。这篇回归 Eino 主线代码。compose.CheckPointStore 是 Eino 框架里正式定义的接口（不像前几篇记忆那样是项目自己设计的）

李燚
2026-08-11 09:22:28

 258

 4

#RAG #AIGC #人工智能
Qwen3-Reranker-4B实战教程：构建带缓存机制的高并发重排序API服务

本文介绍了如何在星图GPU平台上自动化部署Qwen3-Reranker-4B镜像，构建高并发、带缓存机制的重排序API服务。该镜像专精于语义相关性打分，典型应用于RAG系统中的结果重排与搜索推荐链路优化，显著提升最终结果准确率与用户体验。

数据冰山
2026-02-10 11:02:11

 425

 3

#RAG
RAG 进阶实战：基于Ollama与RagFlow打造企业级知识库系统

本文详细介绍了如何基于Ollama与RagFlow构建企业级本地知识库系统，解决企业知识管理的核心问题。通过RAG技术实现隐性知识显性化，结合Ollama的本地化部署优势，确保数据主权与成本可控。文章提供了从硬件选型、环境搭建到生产环境部署的完整实战指南，特别针对企业级功能优化和安全加固给出了具体方案。

JavaSoul111
2026-02-10 18:18:12

 808

 9

#RAG #Ollama
3步搞定Qwen-Ranker Pro：智能语义精排系统快速入门

本文介绍了如何在星图GPU平台上自动化部署Qwen-Ranker Pro: 智能语义精排中心Web镜像，快速构建语义重排序能力。用户无需配置环境或修改代码，即可在Web界面中输入搜索Query与候选文档，实现电商搜索结果、RAG检索片段等场景下的精准相关性排序，显著提升搜索与问答系统的最终输出质量。

偏偏无理取闹
2026-02-10 11:02:30

 424

 3

#RAG
解构 Qwen3-Coder-Next：从 GGUF 底层推理管线到本地全栈 Agent 实战

如果把运行 Qwen3-Coder-Next GGUF 比作。

AI资源库
2026-02-10 14:35:06

 1418

 11

#RAG
Qwen3-Reranker-0.6B在企业知识管理中的应用案例

本文介绍了如何在星图GPU平台上自动化部署Qwen3-Reranker-0.6B语义重排序服务镜像，以提升企业知识管理的检索效率。该轻量级模型能精准理解用户查询语义，在企业知识库场景中，可快速筛选出最相关的技术文档或法律案例，显著缩短问题解决时间。

王友初
2026-02-10 11:02:02

 435

 4

#RAG
Qwen-Ranker Pro对比测试：传统搜索vs语义精排效果差异

本文介绍了如何在星图GPU平台上自动化部署Qwen-Ranker Pro: 智能语义精排中心Web镜像，显著提升搜索结果的相关性排序精度。该镜像专用于RAG系统中的语义重排序环节，典型应用于企业知识库、客服系统等场景，精准识别用户真实意图并返回最匹配的文档片段。

MCPlayer542
2026-02-10 11:01:11

 399

 5

#RAG
Qwen-Ranker Pro效果实测：搜索结果相关性大幅提升

本文介绍了如何在星图GPU平台上自动化部署Qwen-Ranker Pro: 智能语义精排中心Web镜像，显著提升搜索结果相关性。该镜像专用于RAG问答系统与企业知识库的语义重排序，可精准识别用户真实意图，有效解决‘关键词匹配但语义偏离’问题，广泛应用于智能客服、技术文档检索等场景。

你这人真狗
2026-02-11 00:07:36

 416

 4

#RAG
Qwen3-Reranker-0.6B在RAG场景中的应用：从部署到实战

本文介绍了如何在星图GPU平台上自动化部署Qwen3-Reranker-0.6B语义重排序服务。该轻量级模型能显著提升RAG系统的检索准确率，其典型应用场景包括智能客服知识库，通过语义重排序为用户问题匹配最相关的解答文档，优化问答体验。

Stone.Wu
2026-02-11 00:07:03

 400

 3

#RAG
Qwen3-Embedding-4B一文详解：Embedding模型如何降低RAG幻觉率

本文介绍了如何在星图GPU平台上自动化部署Qwen3-Embedding-4B（Semantic Search）镜像，构建高精度语义搜索服务。该镜像专为RAG系统优化，通过生成高质量文本嵌入向量，显著降低幻觉率，典型应用于知识库问答、智能客服意图匹配等场景，实现自然语言查询与非结构化内容的精准关联。

BIG-HO
2026-02-11 00:07:48

 387

 11

#RAG
零基础入门：手把手教你使用Qwen3-Reranker提升检索精度

本文介绍了如何在星图GPU平台上自动化部署🚀 Qwen3-Reranker Semantic Refiner镜像，显著提升RAG系统检索精度。用户无需编码或配置环境，即可通过Web界面或API对问答对进行语义重排序，典型应用于电商客服知识库中精准定位物流时效等关键FAQ。

已退乎
2026-02-11 00:07:49

 440

 5

#RAG
Xinference-v1.17.1 5分钟快速部署指南：一行代码替换GPT

本文介绍了如何在星图GPU平台上自动化部署xinference-v1.17.1镜像，实现开源大语言模型的一键切换与本地化推理服务。通过简单命令即可启动Qwen2、Llama3等模型，典型应用于RAG知识检索、智能客服对话等场景，显著降低LLM集成与运维成本。

Suvo Sarkar
2026-02-11 00:11:30

 349

 9

#RAG
Qwen-Ranker Pro入门指南：侧边栏状态监控与引擎就绪验证

本文介绍了如何在星图GPU平台上自动化部署Qwen-Ranker Pro: 智能语义精排中心Web镜像，实现搜索结果的语义重排序。用户可快速启用该服务，对候选文档（如企业知识库中的年假政策条目）进行精准相关性打分与排序，显著提升RAG和检索系统的最终呈现质量。

姜俭
2026-02-11 00:16:48

 313

 10

#RAG
Qwen3-Reranker-8B效果展示：金融文档检索案例

本文介绍了如何在星图GPU平台上自动化部署Qwen3-Reranker-8B镜像，显著提升金融文档检索精度。该镜像专为长文本、专业术语密集的场景优化，可快速定位年报、尽调报告、监管文件中的关键信息，如毛利率变动原因、可转债转股价格等，助力金融从业者高效完成信息提取与合规分析。

Asama浅间
2026-02-11 00:16:13

 426

 3

#RAG
开发者必看：Qwen3-Embedding-4B + Open-WebUI镜像快速上手教程

本文介绍了如何在星图GPU平台上自动化部署通义千问3-Embedding-4B-向量化模型镜像，快速构建中文知识库语义检索系统。用户无需手动配置vLLM或WebUI，开箱即用，适用于法律合同分析、技术文档问答、多语言RAG等典型场景，显著提升向量检索准确率与工程落地效率。

Msura
2026-02-11 00:16:15

 328

 3

#RAG
Qwen3-Reranker-0.6B实战：智能搜索系统搭建全流程

本文介绍了如何在星图GPU平台上自动化部署Qwen3-Reranker-0.6B 语义重排序服务部署镜像，构建高精度智能搜索系统。该镜像可显著提升RAG场景下的文档相关性排序效果，典型应用于技术知识库检索、长尾问题精准匹配等搜索增强任务，实现MRR@5提升63.7%。

无声远望
2026-02-11 00:16:17

 400

 3

#RAG
Qwen3-Reranker-4B部署教程：vLLM量化部署（AWQ/GGUF）提速实操

本文介绍了如何在星图GPU平台上自动化部署Qwen3-Reranker-4B镜像，实现高效语义重排序功能。通过vLLM量化（AWQ/GGUF）技术，用户可快速构建低延迟、高精度的检索增强生成（RAG）系统，典型应用于搜索结果精排、智能问答相关性优化及多语言知识库检索等场景。

阿晴招生笔记
2026-02-11 00:19:16

 401

 6

#RAG
Qwen3-Reranker-0.6B 在知识库问答中的惊艳表现

本文介绍了如何在星图GPU平台上自动化部署Qwen3-Reranker-0.6B语义重排序服务镜像，以提升知识库问答系统的准确性。该轻量级模型能精准筛选检索结果，确保大语言模型基于最相关的上下文生成答案，是构建智能客服或企业知识库的关键优化组件。

疑样
2026-02-11 00:17:54

 344

 3

#RAG
小白也能懂的Qwen-Ranker Pro部署与使用教程

本文介绍了如何在星图GPU平台上自动化部署Qwen-Ranker Pro: 智能语义精排中心Web镜像，实现RAG系统中的语义重排序功能。用户无需配置环境，一键启动即可对向量检索召回的文档进行精准相关性打分与重排序，典型应用于知识库问答、智能客服等场景，显著提升答案准确率。

谢兴豪
2026-02-11 00:18:19

 319

 9

#RAG
Qwen3-Reranker-0.6B入门指南：score阈值设定与业务场景适配建议

本文介绍了如何在星图GPU平台上自动化部署通义千问3-Reranker-0.6B镜像，高效支撑搜索重排、RAG问答与智能客服等场景。该镜像专精于语义相关性重排序，可对检索候选结果进行精准打分，显著提升问答准确率与用户首次解决率。

Jacob Piao
2026-02-11 00:25:50

 326

 4

#RAG
从零开始：Qwen3-Reranker-0.6B环境搭建教程

本文介绍了如何在星图GPU平台上自动化部署Qwen3-Reranker-0.6B镜像，并搭建其运行环境。该轻量级重排序模型能够对初步检索出的文档进行精准排序，其典型应用场景是作为RAG流程中的关键一环，用于提升智能客服或企业知识库的答案相关性，确保返回最匹配用户查询的文档。

闲书郎
2026-02-11 00:23:09

 428

 4

#RAG
WeKnora与Qwen大模型集成：中文问答效果优化

本文介绍了如何在星图GPU平台上自动化部署🧠 WeKnora - 知识库问答系统镜像，快速搭建智能知识库。该平台简化了部署流程，用户可轻松将WeKnora与Qwen大模型集成，构建一个能够理解并回答企业中文文档问题的智能助手，有效提升内部知识管理效率。

XU美伢
2026-02-11 00:33:55

 444

 3

#RAG
Qwen-Ranker Pro在客服系统的应用：智能问答相关性提升实战

本文介绍了如何在星图GPU平台上自动化部署Qwen-Ranker Pro: 智能语义精排中心Web镜像，显著提升客服系统中用户问答的相关性排序能力。通过接入现有RAG检索链路，该镜像可在毫秒级完成Top-100候选答案的深度语义重排，精准匹配‘取消订单’‘发票修改’等复杂意图，广泛应用于电商、金融等智能客服场景。

周不宅
2026-02-11 00:34:06

 379

 4

#RAG