听风者就是我

本实战通过阿里云百炼与pgvector构建RAG系统，并利用Ragas框架进行专业评估。针对初期4项指标不达标，实施了创建LLM-as-a-Judge评估器、修复Rerank API、精调配置参数及模

LangChain 是由 Harrison Chase 于2022年10月发起的开源LLM应用开发框架，比ChatGPT问世还要早一个月。

在RAG系统中，没有哪一种检索方式是万能的。本文从原理出发，结合LangChain工程实践，深入拆解混合检索的架构设计与场景调参，带你找到关键词与向量的黄金配比。

Chunk Size 是 RAG 系统中最被低估的核心超参数。本文系统对比固定切分、递归字符、结构感知、语义切分四种算法，深度解析 Overlap 策略原理，附场景调优配置与选型决策表，助你构建高召回

在AI应用开发中，Embedding模型是连接自然语言和机器理解的关键桥梁。本文深入解析OpenAI、Cohere、BGE三大主流Embedding方案的技术原理、性能特点、应用场景，并提供详细的选型

向量数据库是AI应用的核心基础设施。本文深度对比Pinecone、Weaviate、Chroma三款主流方案，从性能、功能、成本、部署等维度分析，并提供实际场景选型建议，帮助开发者快速做出明智决策。

引言 在大语言模型（LLM）蓬勃发展的今天，如何让AI更准确地回答特定领域的问题成为了一个关键挑战。RAG（Retrieval-Augmented Generation，检索增强生成）技术应运而生。

在当今大语言模型快速发展的时代，推理能力已成为决定模型表现的关键因素。然而，许多开发者和用户可能没有意识到，通过精心设计的提示词技术，可以显著提升模型在复杂推理任务中的表现。

在人工智能快速发展的今天，掌握Prompt工程已成为有效使用大语言模型的关键技能。本文将深入探讨两个最重要的Prompt技术：Few-shot Learning和Chain-of-Thought