<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[zone_的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/zone_</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; zone_]]></copyright><item><title><![CDATA[2026年8月国内外主流大模型怎么选：GLM、Kimi、MiniMax、火山方舟、MiMo、Qoder、DeepSeek 全整理]]></title><link>https://blog.youkuaiyun.com/zone_/article/details/163884941</link><guid>https://blog.youkuaiyun.com/zone_/article/details/163884941</guid><author>zone_</author><pubDate>Wed, 19 Aug 2026 13:40:35 +0800</pubDate><description><![CDATA[2026年8月国内主流AI编程/多模型服务套餐推荐摘要： 智谱GLM Coding Plan（GLM-5.3全量上线）成为国产编程天花板，Pro档¥538/月最具性价比，支持1M长上下文，但新用户价格较7月翻倍。 火山方舟限时优惠中，Coding/Agent Plan¥49.9起可体验GLM-5.3、Kimi-K3等多模型，适合需要多模态能力的用户。 MiniMax Token Plan保持M3主力地位，多模态共享额度，Ultra档¥469适合重度开发。 Kimi Code的K3模型需¥99档起解锁，8月2]]></description><category></category></item><item><title><![CDATA[010-02：RAG 入门-索引优化，构建有层次的索引]]></title><link>https://blog.youkuaiyun.com/zone_/article/details/160091497</link><guid>https://blog.youkuaiyun.com/zone_/article/details/160091497</guid><author>zone_</author><pubDate>Sun, 12 Apr 2026 19:55:07 +0800</pubDate><description><![CDATA[这就像在一个巨大的超市里找东西，如果没有分区标识，你需要在所有货架上逐一查找。层次化索引就是为数据建立"分区导航"，先快速定位到相关区域，再在小范围内精确查找，大幅提升检索效率。前面我们学习了"从小块到大上下文"技术，解决了检索精度与上下文完整性的矛盾。本文是 refine-rag 系列教程的第十五篇，我们来学习索引优化中的层次化索引技术。：有2020-2023年的世界富豪榜数据，用户查询"2023年首富是谁？：建立两个向量数据库，一个存摘要，一个存详情。：电商平台有数百万商品，用户搜索"红色连衣裙"]]></description><category></category></item><item><title><![CDATA[010-01：RAG 入门-索引优化，从小块到大上下文：提升检索精度与上下文完整性]]></title><link>https://blog.youkuaiyun.com/zone_/article/details/159518319</link><guid>https://blog.youkuaiyun.com/zone_/article/details/159518319</guid><author>zone_</author><pubDate>Thu, 26 Mar 2026 22:41:03 +0800</pubDate><description><![CDATA[但在实际应用中，我们遇到了一个矛盾：检索时需要小文本块来提高精度，但理解时需要大文本块来保证上下文完整。这就像在图书馆找资料，你用关键词快速定位到某一页，但要真正理解内容，你需要阅读整个章节。这篇文章将介绍如何解决这个矛盾，实现"用小块检索，用大块理解"。本文是 refine-rag 系列教程的第十四篇，我们来学习索引优化中的"从小块到大上下文"技术。：文档先切成大块（父），再把大块切成小块（子）。：像放大镜一样，检索到一个句子后，自动展示它前后的句子。：检索到目标块后，动态获取它前面和后面的文本块。]]></description><category></category></item><item><title><![CDATA[009-03：RAG 入门-RAG 优化，查询路由技术详解]]></title><link>https://blog.youkuaiyun.com/zone_/article/details/159481435</link><guid>https://blog.youkuaiyun.com/zone_/article/details/159481435</guid><author>zone_</author><pubDate>Wed, 25 Mar 2026 23:13:43 +0800</pubDate><description><![CDATA["，如果你有 Python、JavaScript、Go 三个文档库，显然应该只在 Python 文档库中搜索，而不是在所有文档中搜索。前面我们学习了查询构建和查询翻译技术，知道如何优化查询内容。查询路由就是这样的"导诊系统"，它根据用户的问题内容，智能地将查询发送到最合适的数据源或处理流程。本文是 refine-rag 系列教程的第十三篇，我们来学习检索前处理的查询路由技术。将数据源描述和查询都转换为向量，通过计算相似度选择最匹配的数据源。这时候就需要查询路由技术，根据查询内容智能分发到最合适的数据源。]]></description><category></category></item><item><title><![CDATA[009-02：RAG 入门-RAG 优化，查询翻译技术详解]]></title><link>https://blog.youkuaiyun.com/zone_/article/details/159411730</link><guid>https://blog.youkuaiyun.com/zone_/article/details/159411730</guid><author>zone_</author><pubDate>Mon, 23 Mar 2026 23:56:44 +0800</pubDate><description><![CDATA[但还有个问题：用户的查询往往是口语化、模糊的，直接用来检索效果不好。比如用户说"那个，我刚开始玩这个游戏，感觉很难，在普陀山那一关，嗯，怎么也过不去"，这样的查询很难匹配到相关文档。查询翻译就是把用户的原始查询"翻译"成更适合检索的形式。本文是 refine-rag 系列教程的第十二篇，我们来学习检索前处理的查询翻译技术。• 原始查询："那个，我刚开始玩这个游戏，感觉很难，在普陀山那一关，嗯，怎么也过不去"这时候就需要查询翻译技术，将用户的原始查询"翻译"成更适合检索的形式。]]></description><category></category></item><item><title><![CDATA[009-01：RAG 入门-RAG 优化，查询构建技术详解]]></title><link>https://blog.youkuaiyun.com/zone_/article/details/159374061</link><guid>https://blog.youkuaiyun.com/zone_/article/details/159374061</guid><author>zone_</author><pubDate>Sun, 22 Mar 2026 11:46:00 +0800</pubDate><description><![CDATA[这时候就需要查询构建技术，将自然语言转换为结构化查询，结合向量检索的语义理解和结构化查询的精确性。查询构建就是把自然语言查询转换为结构化查询语言（SQL、Cypher、元数据过滤器等）。本文是 refine-rag 系列教程的第十一篇，我们来学习检索前处理的查询构建技术。2. Text-to-Cypher（自然语言转图查询）• Text-to-Cypher（自然语言转图查询）• 找到包含"演员"、"年龄"、"30岁"的文档。• Text-to-SQL（自然语言转SQL）]]></description><category></category></item><item><title><![CDATA[008-03：RAG 入门-向量存储中向量搜索和度量方法]]></title><link>https://blog.youkuaiyun.com/zone_/article/details/159345668</link><guid>https://blog.youkuaiyun.com/zone_/article/details/159345668</guid><author>zone_</author><pubDate>Sat, 21 Mar 2026 20:51:53 +0800</pubDate><description><![CDATA[ANN (Approximate Nearest Neighbor) 是最基础的向量搜索，找到与查询向量最相似的 Top-K 个结果。向量搜索不是简单的"找最近的"，而是一门艺术。不同的距离度量方式、不同的搜索策略，会带来完全不同的结果。搜索"好看的电影"，不想结果全是"漫威电影"，而是希望每个类型（动作、喜剧、科幻）都返回几部。不是找"最近的 5 家餐厅"，而是找"距离我 1-3 公里之间的所有餐厅"。在图书馆找最相关的 5 本书。在图书馆找书，但只在"2020年后出版"且"评分>4.5"的书中找。]]></description><category></category></item><item><title><![CDATA[008-02：RAG 入门-向量存储索引算法详解]]></title><link>https://blog.youkuaiyun.com/zone_/article/details/159275984</link><guid>https://blog.youkuaiyun.com/zone_/article/details/159275984</guid><author>zone_</author><pubDate>Thu, 19 Mar 2026 11:45:44 +0800</pubDate><description><![CDATA[DiskANN 是微软开发的基于磁盘的索引算法，通过精心设计的图结构和缓存策略，实现在磁盘上也能高效搜索。IVF (Inverted File) 通过聚类算法将向量空间分成多个区域（称为"桶"或"聚类中心"），搜索时只在最相关的几个区域内查找。它通过特殊的数据结构，让你能快速找到与查询向量最相似的向量，而不需要逐个比较所有向量。找书时，先确定是哪个类别，然后只在那个类别的书架上找，而不是整个图书馆都翻一遍。建立多个不同的分类系统（比如按作者、按年代、按主题），查找时同时在多个系统中搜索，然后合并结果。]]></description><category></category></item><item><title><![CDATA[008-01：RAG 入门-向量存储与企业级向量数据库 milvus]]></title><link>https://blog.youkuaiyun.com/zone_/article/details/159237011</link><guid>https://blog.youkuaiyun.com/zone_/article/details/159237011</guid><author>zone_</author><pubDate>Wed, 18 Mar 2026 14:17:31 +0800</pubDate><description><![CDATA[向量数据库不仅仅是“存数据”，它还提供了成熟的 CRUD、多租户隔离、数据备份和水平扩展（Scale-out）能力，这些是简单的内存库（如 FAISS）难以胜任的。向量数据库专门优化了数据的压缩与加载策略。本文是 refine-rag 系列教程的第八篇，我们来学习向量存储的核心技术和 Milvus 数据库的使用。向量数据库就像是为向量量身定制的"仓库管理系统"，它不仅能存储海量向量，还能快速检索、高效管理。：擅长模糊搜索，基于向量索引（HNSW、IVF），返回的是 Top-K 个“最相似”的候选者。]]></description><category></category></item><item><title><![CDATA[007：RAG 入门-向量嵌入与检索]]></title><link>https://blog.youkuaiyun.com/zone_/article/details/159184529</link><guid>https://blog.youkuaiyun.com/zone_/article/details/159184529</guid><author>zone_</author><pubDate>Tue, 17 Mar 2026 14:55:36 +0800</pubDate><description><![CDATA[都变成一块独立的“小磁铁”。搜索时，把你的问题也拆成“小磁铁”，然后去文档里一块一块地对吸。：想象一下，一段话有20个词，问题有5个词，那就需要比较 20 x 5 = 100 次。通常很多面试官问你的问题，都会涉及到混合检索，或者说也是你的回答要点之一。：由于“狗”这个词的磁铁完美匹配上了，系统就能精准地找到包含“狗”的这句话，并返回给你。：因为它进行的是“词对词”的精细对比，能捕捉到具体的术语和表述，即使整体意思不完全一样。：系统会用你问题里的每个“小磁铁”，去文档里寻找能“吸住”（即相似）的磁铁。]]></description><category></category></item><item><title><![CDATA[006：RAG 入门-面试官问你，RAG 为什么要切块？]]></title><link>https://blog.youkuaiyun.com/zone_/article/details/158915891</link><guid>https://blog.youkuaiyun.com/zone_/article/details/158915891</guid><author>zone_</author><pubDate>Tue, 10 Mar 2026 16:56:19 +0800</pubDate><description><![CDATA[最简单的切块方式，按固定字符数分割文本。这种切块方式很简单，但是缺点也很明显：很容易切断语义完整性，比如：一个句子被切分成了两个块，那么这个句子的语义就会丢失。以下各种切块策略对比，可以根据使用场景来选择，当然了，也可以多种组合使用，比如技术文档，先基于 markdown 分段，然后再使用递归或者代码切块。前面花费了挺多时间去学习怎么读取数据的，那么在读取数据之后，我们要做的操作就是切块，那么什么是切块？4. 省钱，大模型 api 是按 toekn 收费的，省时间，上下文长度越长，大模型处理的时间越长。]]></description><category></category></item><item><title><![CDATA[004：RAG 入门-LangChain读取PDF]]></title><link>https://blog.youkuaiyun.com/zone_/article/details/158765255</link><guid>https://blog.youkuaiyun.com/zone_/article/details/158765255</guid><author>zone_</author><pubDate>Fri, 06 Mar 2026 11:03:41 +0800</pubDate><description><![CDATA[本文将介绍 4 种主流的 PDF 处理方案，从简单到复杂，从快速到智能，帮你找到最适合的方案。本文是 refine-rag 系列教程的第四篇，深入讲解如何使用多种方案处理 PDF 文档。PDF 是最常见的文档格式，但也是最难处理的格式之一。更强大的 PDF 处理库，提供丰富的元数据和控制能力。• 方案三：Unstructured（智能解析）最智能的 PDF 处理方案，自动识别文档结构。最简单的 PDF 处理方案，适合纯文本提取。方案三：Unstructured（智能解析）]]></description><category></category></item><item><title><![CDATA[005：RAG 入门-LangChain读取表格数据]]></title><link>https://blog.youkuaiyun.com/zone_/article/details/158755821</link><guid>https://blog.youkuaiyun.com/zone_/article/details/158755821</guid><author>zone_</author><pubDate>Fri, 06 Mar 2026 11:03:41 +0800</pubDate><description><![CDATA[本文是 refine-rag 系列教程的第五篇，全面讲解如何处理 CSV、PDF 表格等结构化数据。本文将介绍 4 种主流的表格处理方案，并实现一个完整的表格问答系统。专业的 PDF 表格提取工具，基于 PDF 的矢量信息。• 方案三：pdfplumber 提取 PDF 表格。方案三：pdfplumber 提取 PDF 表格。最智能的表格提取方案，自动识别表格结构和上下文。• 方案二：Camelot 提取 PDF 表格。轻量级的 PDF 表格提取工具，速度快且易用。1. LangChain 读取文本数据。]]></description><category></category></item><item><title><![CDATA[003：RAG入门-LangChain 读取图片数据]]></title><link>https://blog.youkuaiyun.com/zone_/article/details/158728199</link><guid>https://blog.youkuaiyun.com/zone_/article/details/158728199</guid><author>zone_</author><pubDate>Thu, 05 Mar 2026 11:04:08 +0800</pubDate><description><![CDATA[这些数据如果不能被 RAG 系统处理，就会造成信息的缺失。在前面的文章中，我们学习了如何读取纯文本数据。但在实际应用中，很多重要信息都存储在图片、PPT、扫描件等非文本格式中。本文是 refine-rag 系列教程的第三篇，教你如何使用 LangChain 处理图片和 PPT 等多媒体数据。使用 Unstructured 的 OCR 功能提取图片中的文字。PPT 是常见的演示文稿格式，包含文字、图片、图表等多种元素。：默认使用英文 OCR，如果是中文图片，识别效果可能不佳。]]></description><category></category></item><item><title><![CDATA[002：RAG入门-LangChain读取文本数据]]></title><link>https://blog.youkuaiyun.com/zone_/article/details/158719545</link><guid>https://blog.youkuaiyun.com/zone_/article/details/158719545</guid><author>zone_</author><pubDate>Thu, 05 Mar 2026 11:04:08 +0800</pubDate><description><![CDATA[前面学习了 RAG 的概念和 LCEL 的语法，现在来继续学习 LangChain 读取文本数据的使用方法。在构建 RAG 系统时，数据加载是第一步，也是非常关键的一步。LangChain 提供了丰富的 Document Loaders，可以轻松处理各种格式的数据源。本文是 refine-rag 系列教程的第二篇，带你掌握 LangChain 的各种文本数据加载方式。Markdown 是技术文档的常用格式，LangChain 提供了专门的加载器。批量加载目录下的多个文件，支持文件过滤和多线程加载。]]></description><category></category></item><item><title><![CDATA[001：LangChain的LCEL语法学习]]></title><link>https://blog.youkuaiyun.com/zone_/article/details/158656776</link><guid>https://blog.youkuaiyun.com/zone_/article/details/158656776</guid><author>zone_</author><pubDate>Wed, 04 Mar 2026 16:02:17 +0800</pubDate><description><![CDATA[本文介绍了LangChain表达式语言(LCEL)的基础用法，通过管道符(|)连接Prompt、Model和OutputParser构建处理链。文章演示了如何使用LCEL生成人物生平并转换为文言文，以及通过RunnableParallel和RunnablePassthrough实现并行处理和原样传递数据。提供了从DeepSeek和DashScope获取API密钥的方法，并展示了完整的代码示例。最后列出了RAG技术的学习路径，包括数据处理、向量嵌入、检索优化等关键环节。所有代码已在GitHub开源(https]]></description><category></category></item><item><title><![CDATA[000：简单 RAG 入门]]></title><link>https://blog.youkuaiyun.com/zone_/article/details/158685724</link><guid>https://blog.youkuaiyun.com/zone_/article/details/158685724</guid><author>zone_</author><pubDate>Wed, 04 Mar 2026 11:00:53 +0800</pubDate><description><![CDATA[还有你需要知道的是：RAG 可以解决一些时效性的问题和幻觉问题。相比 Fing-turning 微调，RAG 更节省成本，而且数据可以溯源，可以知道相关的知识点源自哪个文档。在学习 RAG 之前，我们先来对比一下 RAG 和 AI Agent 的概念，只有先了解这些概念，才能继续往前推进。当然了，这个流程也是简化过的，不过不用在意，这个只是便于你理解这个概念。执行：规划好之后，可以执行具体的任务，并根据结果来执行下一步任务。规划：规划步骤，比如说买机票可以先查日期，再查天气，然后买机票。]]></description><category></category></item><item><title><![CDATA[001：LCEL 语法学习]]></title><link>https://blog.youkuaiyun.com/zone_/article/details/158685584</link><guid>https://blog.youkuaiyun.com/zone_/article/details/158685584</guid><author>zone_</author><pubDate>Wed, 04 Mar 2026 11:00:53 +0800</pubDate><description><![CDATA[LCEL (LangChain Expression Language)，语言链表达式语言，是LangChain的表达式语言，用于描述数据处理逻辑。想要尽快掌握的话，可以教大模型给你出几道 LCEL 相关的题目给你，写完之后叫AI 给你评分并指导正确答案。ok，这些你掌握之后，就算基本掌握了 LCEL 的语法了，后续学习中可能会陆陆续续用到这些知识。当你需要把一份输入分发给多个组件，或者构造一个复杂的字典传给下一个环节时，用它。它像是一个透明的管道，把输入数据直接传给下一级，不做任何修改。]]></description><category></category></item><item><title><![CDATA[准备写一个LangChain系列的RAG教程]]></title><link>https://blog.youkuaiyun.com/zone_/article/details/158639704</link><guid>https://blog.youkuaiyun.com/zone_/article/details/158639704</guid><author>zone_</author><pubDate>Tue, 03 Mar 2026 11:01:06 +0800</pubDate><description><![CDATA[最近浏览一下小红书，经常能刷到后端、前端转 RAG、Agent 工程师的笔记，所以我在学习这些内容之后，也准备分享一下我所学到的的知识（之前学习了黄佳老师的课程），一来是巩固一下自己的知识，二来是分享给有需要的朋友。因为 LangChain 只支持 Python 和 TS，而我之前就会 Python，为了降低学习成本，所以本系列教程是用 Python 编程语言。LangChain 读取 PDF 数据。LangChain 读取文本数据。LangChain 读取图片数据。LangChain 读取表格数据。]]></description><category></category></item><item><title><![CDATA[简单 RAG 入门（01）]]></title><link>https://blog.youkuaiyun.com/zone_/article/details/157693485</link><guid>https://blog.youkuaiyun.com/zone_/article/details/157693485</guid><author>zone_</author><pubDate>Tue, 03 Feb 2026 16:04:48 +0800</pubDate><description><![CDATA[本文介绍了RAG（检索增强生成）和AI Agent的基本概念及应用。RAG通过检索外部知识库来增强大模型的回答能力，能解决时效性和幻觉问题，比微调更节省成本。AI Agent则是能执行具体任务的智能助手，具备规划、记忆、工具使用和执行能力。文章提供了基于LlamaIndex（使用千问大模型）和LangChain（使用DeepSeek大模型）的RAG实现示例，包括环境准备、API配置、文档加载、向量索引构建和查询流程。代码示例展示了如何加载文档、创建向量索引，并通过提问获取基于检索内容的回答。]]></description><category></category></item></channel></rss>