Tag: rag-end-to-end-architecture
-
【AI 核心深度 M5-080】解释 embedding 模型的选择与微调。（Embedding Model Selection, Dimensions, and Domain Fine-Tuning）深度数理推导与工程落地解析
按语言/领域/最大长度选基座；用对比学习在领域数据上微调可显著提升召回，需构造难负样本。
-
【AI 核心深度 M5-081】解释 query 改写与 HyDE。（Query Transformation Techniques: HyDE, Multi-Query, and Step-Back Prompting）深度数理推导与工程落地解析
用 LLM 改写/扩展查询以弥合’查询-文档’的表达差异；HyDE 先生成假设答案再检索（用答案的嵌入更接近文档）。
-
【AI 核心深度 M5-082】解释 GraphRAG 与结构化检索。（GraphRAG and Structured Knowledge Retrieval）深度数理推导与工程落地解析
用知识图谱/实体关系组织文档，支持多跳与全局问题；代价是构建成本高、维护复杂。
-
【AI 核心深度 M5-083】解释长上下文 vs RAG 的取舍。（Long Context Windows vs. RAG: Comparative Trade-offs）深度数理推导与工程落地解析
长上下文保持全局连贯但成本 ∝L²；RAG 精确且便宜但不保证全局；按’任务是否需全局整合’选择或组合。
-
【AI 核心深度 M5-084】解释 RAG 的失败模式与调试。（Common RAG Failure Modes and Systematic Debugging）深度数理推导与工程落地解析
检索失败（未召回/召回无关）、生成失败（忽略证据/幻觉）、以及系统性问题（切分/嵌入/组装）。
-
【AI 核心深度 M5-073】描述一个完整 RAG 系统的组成。（Architecture and Components of a Complete RAG System）深度数理推导与工程落地解析
索引（切分+嵌入+建库）、检索（召回+重排）、生成（上下文拼接+生成）、以及评估与监控。
-
【AI 核心深度 M5-074】解释分块（chunking）策略与取舍。（Document Chunking Strategies and Trade-offs in RAG）深度数理推导与工程落地解析
固定长度、递归、语义、按结构切分；粒度影响召回与上下文质量，常配重叠与元数据。
-
【AI 核心深度 M5-075】解释混合检索与融合（BM25 + 稠密 + RRF）。（Hybrid Search and Reciprocal Rank Fusion (BM25 + Dense + RRF)）深度数理推导与工程落地解析
BM25 擅长精确匹配（术语/编号），稠密擅长语义；用 RRF 或加权融合两者排名，兼顾精确与语义。
-
【AI 核心深度 M5-076】解释重排（reranking）的作用与代价。（Cross-Encoder Reranking: Value, Trade-offs, and Compute Cost）深度数理推导与工程落地解析
用交叉编码器对候选精排，比双塔更准但更慢；通常召回 top-100 → 重排 top-5，兼顾效率与精度。
-
【AI 核心深度 M5-077】解释 RAG 的评估维度与方法。（Evaluation Dimensions and Frameworks for RAG Systems）深度数理推导与工程落地解析
分检索层（Recall@k/MRR/NDCG）与生成层（忠实度/答案相关性/上下文利用）评估，并做端到端与失败分析。