主页 图书/教程 AI 原生应用架构 RAG 工程 目录 建设中RAG 工程 内容导航 图书内部搜索... 本文暂无目录RAG（Retrieval-Augmented Generation，检索增强生成）让大语言模型具备“查阅资料”的能力。本章按“数据准备 → 向量化 → 检索策略 → 评测迭代”四步拆解，提供工程化落地所需的脚本、流程和评估指标。章节目录概述 已完成深入理解 RAG 如何让大模型实时访问外部知识库，实现动态知识增强和私有数据接入。向量与文本表示 已完成本章系统讲解 Embedding（向量）在 RAG 语义检索中的作用、原理、常见类型、参数选择与工程实践。向量数据库选型 已完成主流向量数据库的架构与选型策略，助力 RAG 系统工程落地。文档处理 已完成详细介绍将文档转换为 AI 知识库的完整流程，包括分片策略、向量化方法和索引构建。框架实践 已完成深入学习 LangChain 和 LlamaIndex 框架的使用方法和集成策略。最佳实践 已完成总结 RAG 系统开发中的最佳实践和避坑指南，提升系统性能和可靠性。RAG 可观测性 已完成系统化讲解 RAG（检索增强生成）可观测性方法，涵盖指标、日志、追踪与专用工具，助力构建可控、可解释的智能体系统。Agentic RAG 待处理使用 Milvus、LangChain 和 LangGraph 构建具备智能决策循环的 RAG 系统，实现多轮检索与自动 query 重写。