小杨技术笔记

CRAG（Corrective RAG，纠错式检索增强）引入了自我反思和纠错循环，让 AI 像一个负责任的研究员：先找资料，再评估资料是否可靠，不行就换个思路重新找。

本文覆盖 RAG 重排序从理论到落地的完整链路，聚焦 LangChain4j 1.13.1 原生 Java API，让你对每一行代码都有完全的掌控。

本文围绕 RAG 系统中最关键的检索层展开，从单路检索的缺陷出发，逐步构建混合检索的完整理解，最终通过可运行的 Java 代码完成落地。

关于本文档 本文覆盖 RAG 系统中文档分块的完整知识体系，从基础原理到生产代码，适合有 Java 基础的开发者直接落地使用。理解大模型上下文窗口限制与分块的必要性；掌握 5 种主流分块策略

关于本文档 本文从一个真实的业务痛点出发——当你的 AI 应用需要同时支持多家 LLM 服务商时，如何不写死代码？带你系统学习 Java SPI 机制，并配合完整可运行的示例代码。

从 Agent 定义加载、三大执行后端选择，到文件邮箱通信、权限委托链，直到 Coordinator 自动编排模式与 Git Worktree 隔离设计，力求做到"知其然，更知其所以然"。

本文从攻击者视角拆解六大注入类型，用真实事故还原漏洞全貌，再从防御者视角构建可落地的工程方案，帮你在攻防博弈中站稳脚跟。

关于本文 本文记录了一次以《西游记》完整原文（100 回、约 60 万字）为数据源，使用 llm-wiki Skill 构建结构化知识库的完整实验。

关于本文档 本文围绕 Karpathy 于 2026 年 4 月提出的 LLM Wiki 方案，从痛点出发，逐步拆解其架构与运作机制，并对比 RAG 的核心差异，给出可落地的实现代码与最佳实践建议。