AGI技巧

传统 RAG 盲目信任检索结果，知识库覆盖不到时照样生成。CRAG 的思路：先给检索结果打分，不合格就触发网络搜索兜底。用 LangGraph 实现完整流程，附可执行源码

传统 RAG 每次都检索，即使问题根本不需要外部知识。Self-RAG 用四个反思 token 让模型自主决策。用 LangGraph 实现完整流程：附源码

为什么向量检索会因为问法不同而大幅波动？Multi-Query 如何用多角度问法扩大召回面？HyDE 为什么用"假答案"检索比用问题检索更准？

Naive 分块有什么根本缺陷？Parent-Child 如何用小块检索、大块返回？Contextual Retrieval策略是什么，本篇带你用实际代码学会高级分块策略

RAG 系列第十一篇。向量检索召回的文档，排序质量到底有多差？Cross-Encoder 和 Bi-Encoder 的本质区别是什么？

RAG 系列第十篇。纯向量检索遇到精确关键词时为什么会失效？BM25 和向量检索各自擅长什么？RRF 融合算法怎么工作？用代码实测 6 组查询，用 MRR 指标量化三种检索策略的差异

RAG 系列第九篇。RAG 回答质量差，是检索问题还是生成问题？本文构建一套诊断决策树，通过制造 3 种典型问题（检索召回不足、生成幻觉、答案偏题），用 RAGAS 指标精准定位根因，附完整可运行代码

RAG 系统怎么知道好不好？"用 RAGAS 四个核心指标（Faithfulness、Answer Relevancy、Context Precision、Context Recall）量化评估

RAG 系列第七篇。相似度检索、MMR、阈值过滤、Self-Query 四种检索策略有什么区别？MMR 如何解决结果重复？Self-Query 怎么让 LLM 自动生成过滤条件？用代码实测对比四种策略

RAG 系列第六篇。向量数据库的核心能力是什么？Chroma、Qdrant、Weaviate、pgvector、Pinecone 怎么选？元数据过滤和相似度算法怎么用？本篇带你一一了解

RAG 系列第五篇。Embedding 是什么？为什么它能表示语义？OpenAI、BGE、Cohere 等主流模型怎么选？用 MTEB 榜单看懂模型排名，用同一批中文文档实测 OpenAI和BGE

RAG 系列第四篇。4 种分块策略深度对比：固定大小、递归字符、语义分块、文档结构分块。用同一份 Markdown 文档实测每种策略的效果差异，附可视化对比和选型决策表。

RAG 系列第三篇。Chunk Size、Chunk Overlap、Top-K、Embedding Model 这四个参数怎么选？用控制变量实验对比不同参数组合的效果，附5 个最常踩的坑

一个由 libGDX 作者 Mario Zechner 开发的极简 AI 编程 Agent，主打极速响应、极简内核与极致控制力。

RAG 系列第二篇。用 LangChain 1.x + ChromaDB + SiliconFlow 拆解 RAG 六大组件，附完整可运行的 PDF 问答代码。所有源码可在 GitHub 获取。

RAG 系列第一篇。从 LLM 的两个根本局限出发，搞清楚 RAG 是什么、为什么需要它，以及它和微调、长上下文的本质区别。附 100 行手写最小 RAG 实现。

从上下文爆炸的工程痛点出发，深入解析 SubAgent 的核心模型、委托机制、三种执行模式与两种通信范式，结合 Claude Code 的完整实现，帮你真正搞懂 AI 系统的专业化分工原理。

用企业从创业团队到成熟组织的进化过程，类比 Prompt Engineering、Context Engineering、Harness Engineering 的演进脉络，并预测下一步的两个发展方向

整理自Google ADK智能体工程专家Lavi Nigam的核心内容，总结5种可落地的SKILL.md设计模式，帮助开发者减少Token浪费、提升Skill编写质量

深入解析 Prompt Engineer、Context Engineer、Harness Engineer 三个概念的演变脉络，用人类世界的经典类比让你彻底搞懂什么是"驾驭 AI"的正确姿势