Box 开始把表格、图表和整页 PDF 直接塞进同一个向量空间：传统 RAG 的“先转纯文本”正在过时
昨天 Google Cloud 和 Box 公布了 Gemini Multimodal Embeddings 2 在 Box Agentic Platform 里的一个企业级落地方向。
企业级RAG性能优化与质量治理（7）：GraphRAG、Agentic RAG与多跳检索
实现查询复杂度识别、图关系检索、多步骤计划、证据状态和终止条件。
企业级RAG性能优化与质量治理（6）：上下文压缩、证据绑定与可信引用
实现父子检索、抽取与生成压缩、关键条件保真、EvidenceID冻结和Claim校验。
企业级RAG性能优化与质量治理（5）：查询理解、改写与召回增强
实现实体保护、指代消解、查询分类、Multi-Query、HyDE、问题分解和结果融合。
企业级RAG性能优化与质量治理（4）：增量更新、版本治理、引用溯源与线上监控
# 企业级RAG性能优化与质量治理（4）：增量更新、版本治理、引用溯源与线上监控 ## 文章摘要 企业RAG进入长期运行阶段后，真正困难的工作从“把文档放进向量库”转向知识生命周期治理：如何只更新变化内容、如何确保新旧版本不会同时生效、如何让每个答案追溯到具体文档与Chunk、如何发现线上召回过期内容，以及如何在更新失败时安全回滚。本文从数据模型、版本状态机、增量索引、删除传播、引用链路、缓存
企业级RAG性能优化与质量治理（2）：文档解析与Chunk工程决定知识库上限
# 企业级RAG性能优化与质量治理（2）：文档解析与Chunk工程决定知识库上限 ## 文章摘要 很多团队把RAG效果差归因于Embedding模型、向量数据库或大模型，却忽略了最前面的文档解析与Chunk工程。PDF乱码、表格丢失、标题层级消失、旧版本混入和固定长度粗暴切分，会在数据进入向量库前就破坏知识。本文建立一套生产级文档管道：文件识别、结构解析、清洗、质量门禁、结构分块、父子Chun
企业级RAG性能优化与质量治理（3）：混合检索、重排与权限过滤的生产级设计
# 企业级RAG性能优化与质量治理（3）：混合检索、重排与权限过滤的生产级设计 ## 文章摘要 前两篇分别讨论了RAG质量问题的总体诊断，以及文档解析与Chunk工程。本篇进入检索核心：为什么企业知识库不能只依赖单一向量召回，Dense、Sparse、Metadata过滤、融合、重排和权限控制应如何组合，以及怎样通过黄金测试集和线上指标持续治理召回质量。本文给出一套可落地的生产级检索架构、数据
招投标文档接入RAG应该如何分块？评分项、参数表和附件不能用同一种策略
招标文件通常同时包含资格条件、技术参数、评分办法、商务条款、合同模板和附件表格。如果简单按固定字数切分，容易把评分条件拆散、把表格表头与数据分离，并导致模型找到了条款却无法判断完整约束。本文给出一套适用于招投标知识库的层级分块方案，包括文档结构识别、章节父子块、评分项原子块、参数表重建、元数据设计和混合检索流程。
RAG 系统深度实战：从朴素检索到 Agentic RAG 的完整演进
万字拆解 RAG 完整技术演进路线。五种分块策略实测、六款 Embedding 模型 Benchmark、三种检索优化、Self-RAG/Corrective RAG/Agentic RAG 进阶模式。附可运行项目。
小白也能懂的 RAG 原理 —— 从检索到生成的完整指南
本文用通俗的语言和实例，带你理解 RAG（检索增强生成）的核心原理、主流架构和落地实践，适合 AI 初学者和想要快速了解 RAG 的开发者。