RAGRAG 从 A 到 Z：先获取文档再回答
用 Spring AI 构建完整的 RAG 管道：切分文档、生成嵌入、向量搜索、构建带引用的提示词并为每个步骤编写测试。
LLM 需要证据来回答正确：RAG 详解与 Java 示例
LLM 不会自动了解您公司的私有数据。本文解释 RAG 机制、为什么检索决定答案质量，并附可运行的 Java 示例。
为什么遍历搜索这么贵？: 详细解释及示例 (RAG)
RAG 中的 flat search 运行时间为 O(n) 且精度绝对，但在数据量大时成本昂贵。本文通过 Java 示例解释 IVF、nprobe 以及 recall/速度的权衡。
Embedding 语义查询：详细讲解与代码示例
学习如何用 embedding 将文本转换成向量来进行语义匹配，展示 RAG 实战应用的可运行 Java 代码示例。
从找到段落到有证据的答案在 RAG 中
找到相关段落并不意味着有答案。本文介绍了 rerank、混合搜索和 grounding 管道，使 LLM 能够提供有证据的答案，并在数据不足时拒绝回答。