本篇文章围绕RAG的提出背景与核心原理展开，并结合Spring AI框架，讲述如何开发RAG的应用。

一、模型分类与核心定位 1.1 Chat对话模型：语言交互的"大脑" 典型代表： GPT-4/3.5 Turbo Claude 3 DeepSeek-R1 核心能力： 上下文理解（支持128k tok

在本文中，我将通过一个超简洁的教程，向你展示如何构建多策略图谱思维（Multi-Strategy Graph Thinking），进而为你的业务或个人使用打造一个功能强大的 Agent 聊天机器人。

虽然没进决赛，但总结一下oceanbase ai hackthon中所实现的多路召回 1. 重排序（Rerank）实现 实现了基于 bge-reranker-large 模型的重排序功能，通过对检索到

©作者| 帅气的桌子 来源| 神州问学 RAG概述 ChatGPT、GLM等生成式人工智能在文本生成、文本到图像生成等任务中表现出令人印象深刻的性能。但它们也存在固有局限性，包括产生幻觉、缺乏对生成文

过去 9 年里，HelloGitHub 月刊累计收录了 3000 多个开源项目。然而，随着项目数量的增加，不少用户反馈：“搜索功能不好用，找不到想要的项目！” 这让我意识到，仅仅收录项目是不够的，还需

还在为RAG系统效果不佳而发愁？本篇文章从RAG系统三个核心环节出发，针对每个环节提出了诸如切片优化、提示词优化等详细的优化策略，大家可以尝试组合这些优化策略，预计可将现有RAG系统效果提高20%

许多 agent 教程比较偏概念的科普，看完了后还是不知道怎么编程，这里以能够上手编写一个 Agent 为目标，理解 LLM 的关键概念，掌握构建 Agent 的关键技术。

理论再完美，不如一个好案例。本文通过智能代码审查工作流的完整实战案例，展示多Agent协作的具体实现，包含核心代码逻辑、6个月实践的真实数据，以及关键踩坑经验。让你快速从理论走向实践。