AI工具
AI 长文档问答为什么答不准：分块、表格解析与引用溯源的三道关
长文档问答答不准八成不是模型问题，而是解析、检索、溯源三处掉链子。结论是先修 PDF 表格与页眉污染，再做上下文化检索与双路召回，最后强制先引用后回答，并附自造评测集的方法。
#RAG
AI专区
Embedding 模型怎么选：MTEB 榜单之外的 5 个决策维度与选型清单
选 Embedding 模型，MTEB 榜单只是入围名单不是答案。真正决定 RAG 效果的是语言覆盖、向量维度与存储成本、上下文长度、query/document 前缀约定、吞吐预算五个维度。本文给出可执行的选型顺序、常见前缀对照表与换模型…
智能体开发
RAG 和 Agent 结合实战：带判分与改写循环的 Agentic RAG
RAG 和 Agent 怎么结合？把检索改成模型按需调用的工具，加上相关性判分与改写重来的循环，就是 Agentic RAG。本文给出五个节点、可直接照抄的 LangGraph 图结构、三种升级路线对照表与五个必踩的坑。
AI专区
RAG 文档切分怎么做：块大小、重叠率与 4 种切分策略的选型结论
RAG 召回质量的上限由切分决定：事实问答用 64-128 token 小块，需要上下文理解用 512-1024 token 大块，重叠率取块大小的 10%-20%。本文给出 4 种切分策略的适用场景与可直接套用的参数。
AI专区
RAG 检索增强生成是什么：用向量数据库给大模型接上外部记忆
讲清 RAG（检索增强生成）的原理与标准工作流：分块、嵌入、向量库选型与重排，附最小可运行示例，让大模型带着证据回答、显著降低幻觉。
