AI学习手札

前言 前面讲了 AdvancedRAG 在检索前的各种优化，那么在检索时能做哪些优化呢？我们知道传统 RAG 采用向量相似度来检索。但是他有怎样的缺陷呢？

前言 书接上文(AdvancedRAG预检索-查询优化(一))，我们继续一起学习 AdvancedRAG 预检索中查询优化最后一种常用的技术手段：Multi-recall（多路召回）。

前言 前面讲的都是基于索引的优化。那么用户的查询就没有问题吗？答案是肯定的。所以 AdvancedRAG 在检索前基于`query`也做了一定优化。今天主讲 问题丰富 和问题拆解。

前言 书接上文(AdvancedRAG预检索-索引优化(一))，我们继续一起学习 AdvancedRAG 预检索的索引优化。 主要是假设性答案索引 和 元数据索引

前面讲了什么是 AdvancedRAG，以及简单讲了其较传统 RAG 的进步性。今天开始从代码层实战开始看看 AdvancedRAG 究竟依靠哪些技术实现了其先进性。主讲Advanc-预检索优化。

Advanced RAG是一套针对传统RAG（常被称为Naive RAG）流程中多个薄弱环节进行系统性增强的工程范式。其核心目标是通过在“检索前”和“检索后”引入智能处理层，以构建一个更稳健准确的系统

前言 前面系统学习了 RAG 的基础用法。那么这些用法从 Demo 迁移到真实、复杂、高要求的企业级应用会有问题吗？

Middleware（中间件）是一种 钩子（Hook）机制，它允许你在核心调用链路（如向LLM发起请求、调用工具、处理输出）的特定阶段注入自定义逻辑，而无需修改核心 Agent 或工具的代码。

前言 前面基本学习了 RAG 的基础使用，也简单有两个小的实战。那么 RAG 技术在现实中究竟有哪些常用的应用场景呢？ 这一篇我们就以一个实战项目来将之前学的 RAG 知识串联起来。

load_summarize_chain用于文档摘要的预构建解决方案，能够自动处理超出模型上下文长度的长文档。核心价值在于自动处理长文档分块、摘要策略选择和迭代优化，避免用户手动实现复杂的摘要流水线。

前言 在 Langchain-RAG中学习了RAG的整个流程。今天简单实现一个基于Langchain-RAG的Web网页摘要检索。 需求背景 我们在日常可能需要获取某个网页的核心摘要。

预制链 LangChain已经事先做好了很多LCEL链，今天，我们就简单看看几个常用的预置链及其使用。

前情 上一篇 讲了Langchain使用 Tool 的基本方法。今天就用一个实际小案例来回顾和巩固下Tool的使用。 我们现在实现一个这样的需求：向大模型查询某个地区的天气，返回天气情况。

大模型的边界能力 我们先看看下面一段代码，AI大模型执行的结果是什么呢？ AI居然不知道，是不是大跌眼镜呢？Langchain的Tool正式解决这个痛点的技术方案。

我们知道 LangChain是一个用于构建由 LLM 提供支持的代理和应用程序的框架。Langchain中的 Data Connection模块正是对RAG流程的封装。

我们以往在使用豆包或者DeepSeek时，在一些长的上下文环境中AI模型是可以记住我们之前提供的一些信息的。那么，AI大模型是怎么记忆这些信息的。 我们先从一段简单的代码入手看看...

那么我们的Langchain程序怎么才能被用户正常使用呢？也就是怎么把AI原型转化为企业级API？LangServe正是解决了这样一个非常具体的痛点：AI原型到生产服务的"最后一公里"问题。

LCEL (LangChain Expression Language)** ：这是框架的**声明式组合语法**，解决“如何更优雅、更健壮地构建和调用上述链”的问题。

Result Parser 上一篇 学习了什么是langchain和prompt templete。那么如何将大模型自由、非结构化的文本输出，转化为程序可稳定、高效处理的结构化数据？

提出问题 前面学习RAG时候调用向量检索来获取top_k相似度的向量块，那么内部究竟是怎么进行检索的？难道就是从零到N的暴力遍历吗？那么当向量块数据集达到上百亿的时候怎么办？