# rag

#为什么选 Corrective RAG 作为实战目标。#第二步：State 定义。#第四步：条件边（决策逻辑）。#第五步：图的编译与执行。#第六步：FastAPI 封装。#效果评估：与 Naive RAG 的对比。Agentic RAG进阶架构 介绍了四种 Agentic RAG 架构。选 Corrective...

传统 NLP 评估指标与人类判断之间的相关性，在 LLM 时代几乎崩塌了。BLEU 高不代表答案好，ROUGE 低不代表答案差。LLM 评估需要一套完全不同的体系。。#为什么 LLM 评估很难。#第一层：自动化评估（RAGAS）。#第二层：LLM-as-Judge。#评估驱动的开发工作流。1. 开放域输出，没有唯...

传统搜索用关键词匹配——"苹果手机"搜不到"iPhone"的结果，因为字面上不相似。Embedding 技术的突破在于：把语义相似的内容映射到向量空间中相近的位置。。假设知识库有 100 万条文档，每条 Embedding 是 768 维的 float32：。存储：768 × 4 bytes × 1,000,00...

大语言模型 很强大，但有三个致命问题：。RAG（Retrieval-Augmented Generation）= 检索 + 生成。先从知识库中检索相关文档，再让大模型基于检索结果生成回答。。把各种格式的文档转成纯文本。。把文本转换成向量（一串数字），让计算机能计算"语义相似度"。。详见 → 向量数据库与语义搜索。...

当RAG技术让5个人顶50个人，传统数据工程师如何在大模型时代生存？从35岁资深工程师的转型实战，到6个月RAG学习路径，这是一份数据人的生存指南。

2025年,不学数仓分层你连面试都过不了。93%岗位要求会Hive/Spark/数仓建模,只有7.6%要求会RAG。本文告诉你为什么必须学传统分层、它解决什么问题,以及学完传统再学RAG和直接学RAG的本质区别。