rag

来自MachineLearningMastery的一篇教育性文章，涵盖了RAG流水线的七种分块策略，从固定大小令牌分块到高级语义和层次化方法，并提供了每种策略的适用场景指导。

本文认为，生产环境中的LLM幻觉通常是系统架构问题，而非模型问题，并概述了四个关键护栏：RAG接地、实时工具/函数调用、选择性人工监督，以及红队/对抗性测试。

This paper presents a triple-robustness analysis of RAG for multi-hop traceability, varying embedder, corpus, and judge across thousands of runs. It finds that over-citation is architecturally universal in GraphRAG but its faithfulness consequences are corpus-conditional, and LLM-as-judge faithfulness is fragile across retrieval states.

本文介绍了一个基准测试与轨迹记录框架，用于评估控制显微镜的基于LLM的智能体，比较了105种智能体配置，发现基准测试有助于资格验证，但无法可靠预测智能体在未见任务上的表现。

Arkon 是一个自托管的开源企业 AI 知识中心，充当 MCP 服务器，将内部文档编译成结构化的 wiki，并通过权限限定的上下文为 Claude 和其他 LLM 提供服务。

Introduces CROWN-QA, a benchmark for completeness-sensitive negative reasoning in LLMs, showing models struggle to distinguish justified negative answers from insufficient evidence, often over-closing.

本文提出了一种利用语义等价的对抗性扰动来诱发LLM内在幻觉的框架，表明即使保持查询含义不变，最先进的模型在上下文忠实度上也会显著下降。

本文介绍了RAG-Stack，一个通过高效探索算法-系统联合配置空间来协同优化RAG服务性能与答案质量的框架。它找到的Pareto前沿比现有配置搜索方法覆盖了显著更广的质量-性能空间。

NotebookLlaMa 是 NotebookLM 的一个完全开源替代品，基于 LlamaCloud 构建，配有 MCP 服务器和 Streamlit 界面，用于将源材料转化为研究工作区。

科普了RAG技术从2020年基础RAG到2025-2026年自主智能体+强化学习的演进路径，涵盖检索精度提升、反思纠偏、图谱增强、路由优化与Agentic RAG等方向，并总结了各阶段代表性工作与痛点。

提出了一种基于证据的多模态流水线，从讲座视频中构建富含溯源信息的知识图谱，结合ASR、OCR和视觉-语言模型，在神经网络讲座上实现了高检索准确率。

一位实践者认为RAG不再是企业AI的自动化解决方案，指出许多问题实际上是数据卫生或结构化查询问题，而带有工具使用的智能体往往更好。

本文解释了如何将 MCP（模型上下文协议）集成到 Agentic RAG 系统中，让每个数据域可以管理自己的 MCP 服务器，从而实现标准化的数据访问、安全性以及检索系统的解耦演进。

Amit Shekhar 发布了一个全面的开源 AI 工程面试题与答案仓库，涵盖 LLM 基础、提示工程、RAG、AI 智能体、微调、向量数据库、LLMOps 等内容。

本文介绍了SANE，一种用于检索增强生成的轻量级插件，通过基于摘要选择最佳候选者并执行蓝图引导的查询时证据提取，同时改进检索和阅读。

本文表明，逐块验证在多跳RAG中会失败，因为没有任何单个块是充分的，并提出基于分解的验证方法来修复这一问题，在多个数据集上展示了显著改进。

这篇arXiv论文提出了一种统一的LLMOps架构，用于实时、企业级LLM部署，集成了数据摄入、持续学习、RAG和反馈循环。它引入了AIPO、STAR+FAR和SAGE等组件，以解决受监管行业中知识过时、幻觉和延迟-成本权衡的问题。

RAG-Anything 是一个基于 LightRAG 构建的多模态文档处理 RAG 系统，它解析文档、构建多模态知识图谱，并使用混合向量-图检索来回答问题。

作者使用本地技术栈（Ollama、ChromaDB）对经典向量 RAG、谷歌新推出的开放知识格式（OKF）以及混合方法进行了基准测试，发现混合检索答对的问题更多，但 token 成本更高，同时指出了具体的失败模式。

本文介绍了一个生产级抽取层，利用本地托管的经过调优的Qwen大语言模型，将异构文档转换为与本体对齐的知识图谱，并采用本体引导的提示、多阶段去重和基于嵌入的解析。在情报语料上的评估表明，搜索召回率从约70%提升到95%，且没有错误合并。