Ch10 RAG 与知识检索¶
让 Agent 拥有外部知识：从向量检索到知识图谱
本章收录 24 篇实体，按深度递增排列。
本章导航¶
| Level | 含义 | 篇数 |
|---|---|---|
| ⭐⭐ 工程师 | 需编程基础 | 2 |
| ⭐⭐⭐ 专家 | 需ML基础 | 9 |
| ⭐⭐⭐⭐ 科学家 | 需研究背景 | 11 |
| ⭐⭐⭐⭐⭐ 大师 | 前沿/哲学 | 2 |
导读¶
模型的知识有截止日期，但 RAG 让它能访问实时信息。
本章从最基础的向量检索开始，经过分块策略、重排序（Reranker）、到知识图谱和本体论。一篇 49.6KB 的深度长文给出了核心判断：
"向量库是 RAG 的前菜，知识图谱是答案，本体论是灵魂。"
你还会看到 Google 的 Agentic RAG 框架如何用 5 阶段管线提升检索质量，以及从 Naive RAG 到 Agentic RAG 的完整演进路径。
RAG 不只是"检索 + 拼接"——它是知识管理的入口。
本章内容¶
⭐⭐ 工程师（2 篇）¶
⭐⭐⭐ 专家（9 篇）¶
- 003. Nvidia Multimodal RAG Knowledge Systems
- 004. Manufacturing Intelligence with Amazon Nova Multimodal Embeddings
- 005. 向量数据库已死，Claude Code、Cursor 为什么集体抛弃 RAG？
- 006. OpenViking 三论文：VikingMem 记忆管理 + TrieHI 目录感知向量检索 + VikingRAG 分层按需读取
- 007. 知识库构建方法论
- 008. DREAM：用冻结 LLM 的自回归预测训练稠密检索器，无需标注正负样本
- 009. SkillCorpus: 大规模社区 Skill 生态的筛选、评测与边界分析
- 010. 视频 RAG 分块策略：停顿 / 滑动窗口 / LLM 主题分块
- 011. 怎么短平快地把RAG做好：厦门国际银行数创金融杯RAG初赛方案
⭐⭐⭐⭐ 科学家（11 篇）¶
- 012. 向量库是RAG的前菜，知识图谱是答案，本体论是灵魂
- 013. RAG技术框架的演进方向
- 014. RAG 分块优化 2025：策略选择与工程实践
- 015. RAG Chunk Embedding Rerank Pipeline
- 016. RAG 全链路技术详解：从文档加载到 Ragas 评估
- 017. Karpathy LLM Wiki V2：记忆生命周期 + 知识图谱 + 混合检索 + 落地路线图
- 018. MRAgent：记忆是重建的，不是检索的
- 019. PixelRAG：用截图替代文本解析的视觉 RAG 范式
- 020. RAG vs LLM Wiki 深度对比：企业知识库架构选型指南
- 021. Instacart 广告检索架构演进：从 BERT 打分到生成式 token-by-token 检索
- 022. Fragnesia: Linux Kernel Local Privilege Escalation via ESP-in-TCP
⭐⭐⭐⭐⭐ 大师（2 篇）¶
本章收束¶
"向量库是 RAG 的前菜，知识图谱是答案，本体论是灵魂。"这一章最重要的提醒是：RAG 不是检索拼接，而是知识管理——权限、新鲜度、引用、拒答，每一项都比相似度搜索更难。当你的 RAG 系统能说"我不知道"并且说对的时候，它才从 demo 变成了系统。