视频 RAG 中分块策略：基于停顿、滑动窗口与基于 LLM 的方法
文本的RAG我们都已经很熟悉了，但是如果数据以原始视频转录文本的形式存储，没有合适的时间结构，那么相比标准的 PDF 或文本文档，如何检索视频里面的内容呢？
四种无向量RAG 方案实测:BM25、GraphRAG、Tree Search、Agent
四种方法都查这一份数据集，但每种方法分别使用刻意挑选、能发挥其长处的查询。得到的结果是：没有任何一种方法是通用的。
HyDE ：让 RAG 检索从"匹配关键词"升级到"理解意图"
**Hypothetical Document Embeddings（HyDE）** 不是"搜索文档"，而是让系统在检索开始之前，先想清楚理想答案应该长什么样。
2026 RAG 选型指南：Vector、Graph、Vectorless 该怎么挑
这篇文章将介绍它们之间的差异，让你不必花三周读论文也能为自己的系统做出正确选择。
BM25 + Vectors：为什么真实 RAG 系统通常两者都需要
RAG 是一个先选内容再做生成的系统；retriever 不搜索文档，它搜索 chunks。
Graphify：为代码库构建知识图谱，以图遍历替代向量检索
Graphify 是一个 Python 工具，同时也是一个 Claude Code skill。它把分析工作一次性做完，把所有内容压缩成一张可查询的知识图谱，放到磁盘上。
无 Embedding、无向量数据库的 RAG 方法：PageIndex 技术解析
传统 RAG 的假设：相关性等于语义相似度。PageIndex 的假设：相关性等于结构化推理。
从检索到回答：RAG 流水线中三个被忽视的故障点
RAG 的搭建门槛不高，但要让一个 RAG 系统在生产环境中达到可信赖的程度，所需时间远不止于此。
Karpathy的LLM Wiki：一种将RAG从解释器模式升级为编译器模式的架构
Karpathy没有发明新技术，他在清晰阐述一个工作流模式，让LLM天生擅长的事——快速阅读、综合、交叉引用、一致地遵循约定——去接替人类一直需要但从未能持续做好的工作。
RouteRAG：用特殊 Token 和强化学习构建可学习的 RAG 检索策略
RouteRAG 把多轮 RAG 重新建模为序列决策过程。
CRAG 架构解析：如何在生成器前修正错误检索结果
绝大多数 RAG 系统把检索当作不会出错的环节，无论拿到的文档是否真正切题，都会径直送入生成器。
高级 RAG 技术：查询转换与查询分解
基础 RAG 的准确性受制于查询质量，查询模糊、表述不当，或者用户对问题的抽象层次把握不准，检索结果就会出偏差，LLM 拿到的上下文也跟着失真。
BookRAG：面向层级文档的树-图融合RAG框架
本文介绍的BookRAG或许能提供一个有用的视角。
更大的上下文窗口为什么让RAG变得更重要而非更多余
在不少实际系统中，更大的上下文窗口反而拖累了模型表现。
从提示工程转向 上下文工程，6种让LLM在生产环境中稳定输出的技术
提示工程告诉模型怎么说话；context engineering 控制模型说话时看到什么。以下是把生产系统和Demo区分开的6种上下文工程技术。
向量搜索系统的三个核心优化维度：速度、精度与规模
向量搜索把信息检索从字面匹配带进了语义理解的时代。但光有 Embedding 还不够，真正让系统在生产环境中跑起来的是背后的工程优化
手把手搭建 Adaptive RAG 系统：从向量检索到 Streamlit 前端全流程
本文会带你从零搭建一个完整的概念验证项目（POC），技术栈涵盖 Adaptive RAG、LangGraph、FastAPI 和 Streamlit 四个核心组件。
RAG 中分块重叠的 8 个隐性开销与权衡策略
本文将总结的八项 RAG 分块重叠隐藏的成本，以及如何判断什么时候重叠真正有用，什么时候只是花钱买心安。
深入RAG架构：分块策略、混合检索与重排序的工程实现
从 Level 1 开始。记录并监控系统在哪翻车，搞清楚原因之后再往上走。 这才是构建一个真正能用的RAG系统的路径。
RAG 文本分块：七种主流策略的原理与适用场景
分块就是在生成 Embedding 之前，把大段文本拆成更小语义单元的过程。检索器真正搜索的对象而不是整篇文档就是这些分块。
