从0.72到0.89：一次RAG检索增强生成系统的分层优化记录
本文记录了一个企业知识库RAG系统从上线到优化的完整过程。初始版本在2000条文档上Top-5召回率仅0.72，答案准确率约61%。通过将固定chunk从512改为基于语义的分层切分、把embedding从text-embedding-ada-002切换到bge-large-zh-v1.5、并引入bge-reranker-large重排序，最终Top-5召回率提升至0.89，答案准确率达到84%，
生产级智能体落地指南
Lv.1专注于AI智能体的工程化与业务落地。持续实践智能体工作流设计、RAG知识库搭建，重点关注效果、成本、稳定性和可维护性，分享经过验证的方案与真实复盘。
3文章
0粉丝
0关注
0获赞
最新文章
Docker Compose编排多服务容器化部署：网络、卷挂载、健康检查与启动顺序配置详解
一个包含Web应用、MySQL、Redis、Nginx的4服务项目，用Docker Compose统一编排。通过自定义bridge网络实现服务隔离，命名卷持久化MySQL数据，健康检查配合depends_on的condition条件控制启动顺序。最终实现一条`docker compose up -d`命令完成全栈部署，冷启动时间从手动部署的15分钟压缩到90秒内，服务间通信延迟稳定在0.5ms以下
手搓一个RAG问答系统：从PDF解析到LLM回答的全流程实战
本文记录了我用LangChain+ChromaDB搭建一个本地RAG问答系统的全过程。从PDF文档解析、文本分块、向量化存储，到语义检索与大模型生成回答，所有代码均可直接运行。适合想入门RAG但不想看一堆理论的同学。