chaors

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。