RAG

工业 AI

AI 写 PLC 代码总差一步：一句"有蓝色盘吗"说清了缺的是什么

光有 I/O 表和标签不够，物理布局和信号语义得单独讲给它听。论文把"AI 碰 PLC"拆成四级台阶：说、写、编、下，每级都要人点头。

RAG

MCP 检索的引用存活率：127 个问题、3 条流水线实测

检索服务交出了来源，Agent 写答案时还引用吗？127 个问题实测：CSR 0.618/0.614/0.323，但六成“丢引用”只是格式不对。

MCP

不是"有没有依据"，而是"依据来自哪个源"：MCP Agent 的来源感知验证

传统的忠实度检查（RAGAS / MiniCheck / AlignScore / SummaC）只问"证据池里有没有支撑"；但 MCP Agent 会把搜索、病历、数据库、元数据的输出混在一起，于是"事实没错、来源错配"的 cross-source conflation 能轻松过关。ProvenanceGuard 保留来源身份贯穿整条流水线：专家判定应拦截的 139 条断言它拦下 138 条，来源选择准确率约 86%，在一项"来源调包"测试里 50 次全部检出。

RAG

重排序：为了更好的相关性

检索相关文档只是工作的一半。重排序帮助我们识别哪些结果真正值得成为上下文。

RAG

RAG 没有死

为什么AI代理正在超越固定向量搜索，并学习如何选择检索信息的方式

RAG

为什么PDF解析仍然困难

如果你在文档智能领域有过任何有意义的时间，你已经知道没有供应商幻灯片想要承认的秘密：现代企业AI的瓶颈很少是模型。而是PDF。

RAG

我从真实RAG学到的6个评估指标

用这一个小时替代一小时的刷屏，成为更好的生产级RAG系统构建者。

RAG

NVMe-oE向量搜索: 7K到72K QPS

我们最近通过两条200Gb/s以太网链路，使用专有的NVMe-over-Ethernet技术，实现了1170万次4KiB随机读取IOPS。

RAG

6个步骤将RAG幻觉率降至1%

在受监管环境中，15%的幻觉率不是模型问题，也不是嵌入问题，而是管道问题——而管道有六个环节，任何一个都可能独立失败。

RAG

RAG中的查询转换

查询转换是RAG中在搜索前重写问题的步骤，这样措辞不匹配就不会让你失去答案。

RAG

超越向量RAG：确定性稀疏检索

经典信息检索如何替代昂贵的向量嵌入，服务于许多检索增强生成工作负载

RAG

图 RAG 实战

任何需要关联事实的问题，向量 RAG 都会力不从心。