沐子馨

摘要： 2026 年 6 月，海外 AI 编程圈被一个概念点燃。Claude Code 创始人 Boris Cherny 和 OpenClaw 创始人 Peter Steinberger 在同一周说出几乎相同的话："别再手动提示 AI 了，应该设计让 AI 自己运行的 Loop。" 这不仅仅是一个新名词，而 阅读全文

摘要： 一、数据来源与转换 1.1 从Markdown到图数据的转换 本文的图数据来源于前面使用的Markdown格式菜谱数据。为了构建知识图谱，用AI开发了一个简单的Agent，通过LLM将结构化的Markdown菜谱数据转换为CSV格式的图数据。 转换流程： 读取Markdown菜谱：从数据源加载菜谱文 阅读全文

摘要： 一、项目背景与目标 1.1 从传统RAG到图RAG的演进 之前我们构建了基于向量检索的传统RAG系统，采用了父子文本块的分块策略，能够有效回答简单的菜谱查询。但在处理复杂的关系推理和多跳查询时仍存在明显局限： 关系理解缺失：虽然父子分块保持了文档结构，但无法显式建模食材、菜谱、烹饪方法之间的语义关系 阅读全文

摘要： 传统RAG框架虽然有效缓解了大型语言模型的知识陈旧和幻觉问题，但在处理复杂查询时仍存在明显局限。依赖非结构化文本向量检索的方式，往往难以捕捉实体间的深层关系，导致上下文检索不精确、信息碎片化，甚至诱发模型产生"幻觉"。为了突破这些瓶颈，将结构化知识图谱融入 RAG 流程的新范式——GraphRAG 阅读全文

摘要： 一、LlamaIndex Evaluation LlamaIndex Evaluation 是深度集成于LlamaIndex框架内的评估模块，专为使用该框架构建的RAG应用提供无缝的评估能力。作为RAG开发框架的原生组件，其核心定位是为开发者在开发、调试和迭代周期中提供快速、灵活的嵌入式评估解决方案 阅读全文

摘要： 评估之所以关键，是因为它回答了RAG开发与应用中的一系列核心问题： 对于开发者： 如何量化地追踪、迭代并提升RAG应用的性能？当系统出现“幻觉”或答非所问时，如何快速定位问题根源？ 对于用户或决策者： 面对两个不同的RAG应用，如何客观地评判孰优孰劣？ 本节将探讨RAG评估的理念与方法，并围绕 “R 阅读全文

摘要： 心法一：编写 Skill，需要人类的“同理心”和“共情能力” 这可能听起来有些反直觉。我们在写代码时，面对的是冷冰冰的编译器；但在写 Skill 时，我们面对的是具有极强“心智理论能力”的大语言模型（如 Gemini 3.x pro、Claude 4.6、GPT 5.x 等）。 过去，我们在写 Pr 阅读全文

摘要： 从大语言模型（LLM）那里获得一段非结构化的文本在应用中常常不满足实际需求。为了实现更复杂的逻辑、与外部工具交互或以用户友好的方式展示数据，需要模型能够输出具有特定结构的数据，例如 JSON 或 XML。 本篇将讨论实现格式化生成的几种主流方法，包括 LangChain、LlamaIndex 等框架 阅读全文

摘要： 在基础的 RAG 流程中，依赖向量相似度从知识库中检索信息。不过，这种方法存在一些固有的局限性，例如最相关的文档不总是在检索结果的顶端，以及语义理解的偏差等。为了构建更强大、更精准的生产级 RAG 应用，需要引入更高级的检索技术。 一、重排序 (Re-ranking) 1.1 RRF (Recipr 阅读全文

摘要： 此前已经学习了如何从不同类型的数据源（如向量数据库、关系型数据库）中构建查询。然而，用户的原始问题往往不是最优的检索输入。它可能过于复杂、包含歧义，或者与文档的实际措辞存在偏差。为了解决这些问题，我们需要在检索之前对用户的查询进行“预处理”，这就是本节要探讨的查询重构与分发。 这个阶段主要包含两个关 阅读全文