AI 落地知识库
覆盖 AI 转型、FDE（前沿部署工程师）方法论、RAG、Agent、知识管理等主题的一线实践与洞察，按主题浏览企业 AI 落地的真实经验。
伯克利开源 PixelRAG：不把文档解析成文字，而是渲染成截图直接搜
PixelRAG(https://www.53ai.com/news/RAG/2024062056319.html) 的项目 banner
个人 AI 知识库一次讲透：不用数据库，靠这四步就能搭起来
FEATURE · AI 工程方法论
上下文压缩的基本原理
一次调用中发送给模型的所有内容都属于上下文（Context）。它是模型生成答案前读取的信息，也是模型执行当前任务时的工作记忆。
RAG 找不到答案时，别急着怪模型，不如试试 SAG 知识库
企业知识库里最难的问答，往往不是“某段话在哪里”，而是“几段事实怎么连起来”。
你给AI喂的\"企业记忆\"，可能全是假的
几乎所有的企业AI落地，都在犯同一个错误：以为把数据喂给AI，AI就会变聪明。
RAG 怎么评估呢？RAG 评估体系5 个指标让你的知识库从「盲飞」到「可量化」
换句话说：你不知道它什么时候开始答错，你也不知道那个分块参数改动悄悄让召回率跌了 15%。
RAG 工程里的上下文剪枝：如何减少 68% 的上下文
做 RAG 时，我们会关注“如何召回更多内容”。去研究怎么切 chunk、怎么做 embedding、怎么混合关键词和向量检索、怎么做 rerank，让尽可能多的相关资料塞进模型上下文，从而让 RAG 系统回答得更准。
RAG 最难的不是向量库，而是知识链路
很多团队第一次做 RAG，会把注意力放在向量数据库上。
别再手调 RAG 了，让 Loop 自己找配置
手动调 RAG 是一件让人很头疼的事。
AI知识库从零到一：个人wiki+企业RAG方案
你有没有遇到过：老板安排一件事，你给新人讲了一遍，下一个人来了又要从头讲。销冠的经验传不下去，客户的问题翻来覆去就那几类，每次都要重新查资料。
千万文档级 RAG 如何逼近零幻觉
向 RAG 系统中塞入的文档越多，它“编造答案”的空间也就越大；当语料规模增长到数百万、逼近 10M 乃至更高时，幻觉问题只会进一步恶化。想要在这种规模下依然让答案可信，就必须构建一条这样的流水线：让 agent 自行核查证据，并为每一…
字节跳动开源AI Agent「上下文数据库」，2.6万星，比传统RAG好用太多了
做过AI Agent开发的朋友应该都有这个痛点：记忆存代码里、资源扔向量数据库里、技能散落各处，管理起来一塌糊涂。检索效果也不行，传统RAG用扁平化存储，Agent每次找东西都像在大海捞针。
企业级 RAG 的知识分层：实体、关系、属性与规则如何落库
实体、关系、属性、规则如何与业务真正挂钩
大模型负责聪明，本体负责靠谱
有一次跟一个企业客户的技术负责人聊，他抱怨说："我们上了大模型，员工问它一个业务问题，它回答得头头是道，听着特别专业。但仔细一对，数据是错的，规则也没按我们的来。"