RAG（检索增强生成）系统的核心在于“先检索，再生成”，其质量取决于检索的相关性、排序的合理性和生成的可信度。Dingo框架提供三种评估方式：基于规则的校验、基于大模型的语义评估和基于本地模型的推理评估。评估指标包括答案忠实度、答案相关性、上下文相关性、上下文召回和上下文精度。推荐使用真实用户数据生成评估集，以提高评估的可信度和质量。持续评估和优化是RAG系统成功的关键。

这是一篇LangGraph终极入门指南，从核心概念、工具调用、记忆管理，到高级的多智能体协作与实战项目，带你全面掌握新一代AI Agent开发框架。LangGraph, LangGraph教程, LangGraph指南, AI Agent框架

本文是 《LangGraph入门全解》系列的第六篇，也是最后一篇。今年Agent爆发，Gemini，ChatGPT等都推出了自己的深度研究功能，本篇我们使用LangGraph复现DeepResearch，也许完成度没那么高，但是功能是全的。LangGraph项目, LangGraph实战, DeepResearch Agent, 自动化研究

本文深度探讨了28种前沿的检索增强生成（RAG）技术，从基础RAG流程到幻觉检查、文本分块优化、查询增强、上下文管理，再到高级检索范式（如Agentic RAG和Graph RAG）。通过详细阐述每种方法的流程图、关键步骤、示例Prompt，旨在为RAG系统开发者和研究者提供全面的技术选型指南与优化思路，助力构建更智能、更精准、更可靠的AI问答系统。RAG优化、检索增强生成、LLM幻觉、文本分块、向量数据库、Prompt工程、查询重写、上下文管理、语义分块、混合检索、重排名、Agentic RAG、Graph RAG、知识图谱、AI问答系统、自然语言处理、大语言模型、信息检索、深度学习、AI应用开发、人工智能技术、可解释AI、智能系统。

介绍Milvus的使用，以及混合检索示例代码

适用于LLM的数据库调查列表，Chroma，Milvus，Elasticsearch，Faiss

介绍ES的docker部署，以及在RAG应用中，向量和混合检索的使用

介绍向量检索数据库Chroma的服务端Docker部署，以及客户端基本的使用

这篇文章介绍了关于AI开发的基础资料，包括开发工具LangChain和LlamaIndex，以及LangGraph框架。还讨论了LLMs微调的挑战和提示工程技术的应用。此外，还介绍了RAG（增强检索）的基本原理和优化方法，以及向量数据库和Agent的相关内容。