RAG 检索增强生成入门：拆解“检索-增强-生成”三大环节
本文详细介绍了RAG（检索增强生成）技术的概念、原理、工作流程和技术架构，通过检索外部知识库来增强大语言模型的生成能力，解决知识截止和幻觉问题。文章还以搭建知识问答系统为例，说明了数据准备、检索模块和生成模块的设计方法。
后端转 AI 应用：别把大模型当黑盒，这四条主线要先串起来
这是一份面向后端开发者的 AI 应用开发学习路线与资源索引，涵盖大模型基础、Agent、RAG 和系统设计四大主线，提供推荐的阅读顺序和高频面试题。文章强调不能把大模型当黑盒 API 调用，需关注结构化输出、上下文管理、召回优化和生产级治理等问题。
语义检索为何突然翻红：从专利搜索到数据库原生支持
语义搜索通过理解查询的真实语义而非简单关键词匹配，大幅提升检索精准度。本文系统介绍语义搜索的定义、从词袋模型到LLM的发展历程、核心技术组件（嵌入模型、向量数据库、LLM）、以及它在专利、学术、企业知识管理等领域的最新应用。
RAG优化优先级：先把文本切分做好，再谈高级策略
本文系统梳理了17种经过验证的RAG优化方案，涵盖文档处理、检索增强和生成优化三个阶段，包括文本切分、语义拆分、上下文增强、二次排序、HyDE、Fusion等关键技术。每项策略均给出难度、效果、优先级和实施时间建议，并附有实现思路和代码示例，适合需要系统性提升RAG系统性能的开发者参考。
别急着上GraphRAG：先看知识图谱的真实代价
知识图谱以图结构组织实体与关系，适合可变深度关系遍历和来源追踪，但并非对关系数据库或向量检索的天然替代。构建流程包括实体识别、关系抽取、知识融合与图存储，Neo4j是常用实现。GraphRAG需通过评测判断是否值得额外索引成本。
RAG 性能调优：五个核心方向，让你的问答系统又快又准
本教程面向技术开发人员，系统梳理RAG性能优化的核心思路与实用技巧，覆盖分块、嵌入模型、向量数据库、重排序、提示工程五大方向，并建议建立评估闭环。通过具体策略和工具推荐，帮助读者打造响应快、答案准的生产级RAG系统。
GEO正在吃掉SEO的蛋糕？从艾瑞报告看AI搜索新战场
本文基于艾瑞咨询的行业报告，系统梳理了GEO（生成式引擎优化）的核心概念、技术原理、优化策略及市场趋势。文章指出，GEO旨在让品牌信息被AI引擎优先引用，与传统SEO的排名逻辑截然不同。随着AI搜索用户规模激增，近九成用户已将AI搜索作为主要信息渠道，GEO成为品牌营销的新战场。文章还介绍了主要服务商和效果评估体系，为企业布局GEO提供了全面参考。
GEO实战：四大策略让AI搜索引用率翻倍
本文深入剖析了GEO（生成式引擎优化）的本质，将其与传统SEO进行对比，并详解了RAG三阶过滤机制如何影响AI搜索引用。同时介绍了结构化、语义化、权威化、持续化四大核心策略，并结合B端工业品和C端家居零售的实战案例，展示了GEO在不同场景下的落地效果，为企业抢占AI搜索时代先机提供了系统方法论。
浙大团队开源《大模型基础》：每月更新的LLM教科书，从Prompt到RAG全覆盖
本书《大模型基础》由浙江大学LLMs团队编写，采用月度更新方式，系统讲解大语言模型基础、架构演进、Prompt工程、参数高效微调、模型编辑、检索增强生成等内容，并配有论文列表。适合大模型初学者和研究者。
74篇文章