@sitinme: Github 30k star，不用向量数据库也能做 RAG，而且准确率还更高！ 做 RAG 的人应该都有过这种体验：向量数据库返回的内容“看起来相关”，但就是不是你要的那个答案。 特别是处理合同、财报、技术手册这类长文档的时候，你问“第…
摘要
介绍一个GitHub上30k star的开源项目，通过推理而非向量数据库实现RAG，号称准确率更高，解决了向量检索中相似不等于相关的问题。
相似文章
@Ryrenz: 想让 AI 基于你自己的资料回答，不用从头写 RAG。这 5 个开源应用装上就能把文档变成能问答的知识库。 1、RAGFlow — 重排版理解的 RAG 引擎，83.8k star 对复杂文档的版面理解做得深，表格、长报告都能拆得准，回答…
推荐5个开源RAG工具（RAGFlow、AnythingLLM、Onyx、Khoj、kotaemon），可零代码将文档变成可问答的知识库，各具特色。
@vintcessun: RAG喂太多文档，检索质量反而从75%掉到40%？向量搜索被大量无关内容稀释，真实部署中命中率暴跌。 问题根源：异构文档混在一起检索，噪声淹没了信号。多智能体编排看似智能，实际引入精度-忠实度悖论——配置稍差就两头不讨好。 论文提出的MA…
This paper identifies 'vector search dilution' in RAG systems when scaling to large heterogeneous document collections, where accuracy dropped from 75% to 40% in a real-world deployment. The proposed MASDR-RAG method uses domain scoping via organizational metadata before retrieval, improving P@10 from 0.77 to 0.86 with low cost and easy deployment.
@freeman1266: 普通 RAG vs 知识图谱 RAG vs LLM Wiki——三种知识库检索方案，95% 的人选错了，不是因为不懂，是因为没认清自己的数据形态。 三句话讲清楚： 普通 RAG：把文档切成 chunk，向量化入库，问题来了找相似片段喂给 …
本文对比了普通RAG、知识图谱RAG和LLM Wiki三种知识库检索方案的适用场景与选型建议，强调根据数据形态选择正确方案，避免盲目使用复杂工具。
@mate_mattt: 做了一套真实可运行的 RAG 项目 和 Notebook RAG 实战课，对 RAG 进行像素级拆解： Markdown 切分 → FTS5 / BM25 → Embedding 向量检索 → 混合召回 RRF → Cross-Encod…
这是一个从零学习本地RAG检索核心的实战项目，包含Notebook和真实可运行代码，覆盖Markdown切分、BM25、Embedding向量检索、混合召回RRF、Cross-Encoder重排等完整流程，并配有评测指标。
@aikangarooking: https://x.com/aikangarooking/status/2069325659105861926
介绍了SAG（SQL-Retrieval Augmented Generation），一种基于SQL动态超边的新型检索增强生成架构，相比传统RAG和GraphRAG在多跳推理上更高效、成本更低，已在GitHub开源并取得不错评测结果。