检索与RAG#

AI 全栈 ④ 检索与 RAG：给模型接上外部知识——切分、召回、精排、生成与生产化。

知识脉络#

检索与RAG
├── 检索链路
│   ├── RAG架构与实现
│   ├── 向量数据库选型
│   ├── RAG分块与召回策略
│   ├── 混合检索与RRF融合
│   └── Reranker重排原理与选型
└── 进阶与评测
    ├── Agentic RAG与高级检索
    ├── 检索评测指标与离线评测
    └── RAG与Agent生产化实践

plaintext

知识点清单#

检索链路#

#	题目	频率	难度	状态
1	RAG架构与实现	极高	进阶	done
2	向量数据库选型	高	进阶	done
3	RAG分块与召回策略	高	进阶	done
4	混合检索与RRF融合	高	进阶	done
5	Reranker重排原理与选型	高	进阶	done

进阶与评测#

#	题目	频率	难度	状态
6	[Agentic RAG与高级检索](/topics/rag/Agentic RAG与高级检索)	高	困难	done
7	检索评测指标与离线评测	中	进阶	done
8	RAG与Agent生产化实践	高	困难	done

建议学习顺序#

基础链路：RAG 架构 → 向量数据库选型
调效果：分块与召回 → 混合检索与 RRF → Reranker 重排
进阶：Agentic RAG
会评测：检索评测指标 → RAG 与 Agent 生产化实践

口诀速记#

RAG流程: “切分→嵌入→存储→检索→重排→生成”
Agentic RAG: “从被动查到主动想——自己决定查不查、怎么查、够不够好”

跨域关联#

向量表示 → Embedding原理与选型（LLM基础）
倒排与 BM25 → MOC-ElasticSearch（ElasticSearch）
检索即工具 → [Function Calling与工具编排](/topics/ai-agent/Function Calling与工具编排)（AI Agent开发）
检索评测 → LLM评测方法（AI评测与治理）