从0.71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系统从上线到可用的一次完整优化过程。初始版本采用固定512字符切分、text-embedding-ada-002、无重排，在200条人工标注问答集上Recall@5仅0.71，答案准确率约62%。通过改用语义+递归混合chunk策略、切换bge-large-zh-v1.5、引入bge-reranker-large重排三阶段改造，最终Recall@5提升至0.89，端到
周末安全手记
Lv.1主要整理信息安全相关的学习笔记与工程经验，内容覆盖攻防案例复盘、安全测试与风险分析。希望内容既讲清为什么，也说明怎么做，希望把复杂问题讲清楚、把实践步骤写完整。
4文章
0粉丝
0关注
1获赞
最新文章
RAG系统优化实录：chunk策略、Embedding切换与Rerank引入的收益分析
在搭建企业知识库问答系统时，我们遇到了一个典型问题：当文档量突破5000份、切片超过4.2万个时，Top-5召回准确率从88%骤降至67%，用户明显感觉到答案“答非所问”。本文记录了从chunk_size=512到多策略混合切片的调整过程，以及从bge-large-zh-v1.5切换至Qwen3-Embedding-0.6B、再引入bge-reranker-v2-m3后的完整对比实验。最终，Rec
GitFlow与TrunkBased之争：我们团队用这套分支策略将发布效率提升3倍
2024年Q2，我们团队从GitFlow切换到动态TrunkBased分支策略，配合基于GitLab的MR Code Review流水线和GitHub Actions CI/CD，将平均发布周期从2.3天压缩到0.8天，代码冲突率下降67%。本文不是泛泛而谈，而是记录我们如何在5人后端团队中，用`git worktree`并行开发、`git rebase`动态合并、`git revert`快速回滚
从入门到实战：大模型RAG技术原理与LangChain实现全解析
本文以学习笔记形式，深入解读RAG（检索增强生成）技术原理，从向量数据库、检索策略到生成优化，结合LangChain框架给出完整代码案例，帮助开发者快速掌握大模型知识库搭建的核心方法。