RAG on 黄文卓 | DevOps Engineerhttps://socake.github.io/tags/rag/Recent content in RAG on 黄文卓 | DevOps EngineerHugo -- gohugo.iozh-CN17691281867@163.com (Wenzhuo Huang)17691281867@163.com (Wenzhuo Huang)© 2026 Wenzhuo HuangFri, 20 Mar 2026 09:44:00 +0800FastGPT 知识库问答系统：从部署到应用https://socake.github.io/posts/fastgpt-knowledge-base-practice/Fri, 20 Mar 2026 09:44:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/posts/fastgpt-knowledge-base-practice/FastGPT是专注知识库问答的开源平台，相比Dify上手更快。本文覆盖MongoDB+PgVector部署、知识库创建与文档导入、Flow工作流配置、相似度阈值调优、API接入钉钉，以及运维知识库的实战案例。Dify 私有化部署与 RAG 应用构建实战https://socake.github.io/posts/dify-self-hosted-rag-practice/Thu, 12 Mar 2026 13:37:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/posts/dify-self-hosted-rag-practice/Dify是当前私有化部署最成熟的LLM应用构建平台。本文覆盖Docker Compose部署、多模型Provider配置、知识库创建与切片调优、RAG对话应用构建、工作流编排，以及API发布与生产监控。Embedding 模型选型与优化实战：从 BGE 到 OpenAI Embeddinghttps://socake.github.io/posts/embedding-model-selection-guide/Sat, 21 Feb 2026 09:30:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/posts/embedding-model-selection-guide/系统对比 2026 年主流 Embedding 模型，从原理到工程实践，覆盖选型决策、缓存设计和批量优化LangChain 从入门到实战：构建 LLM 应用的工程框架https://socake.github.io/posts/langchain-practical-guide/Mon, 09 Feb 2026 11:01:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/posts/langchain-practical-guide/LangChain 是构建 LLM 应用最流行的框架，但也是踩坑最多的框架之一。本文从 LCEL 表达式、ReAct Agent、LangGraph 工作流到生产部署，梳理真正有用的部分，并指出哪些功能实际工程中应该避免。RAG 评估体系：RAGAS 指标与幻觉检测实践https://socake.github.io/posts/rag-evaluation-ragas/Thu, 05 Feb 2026 10:20:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/posts/rag-evaluation-ragas/RAG 系统上线后，‘感觉回答质量还不错’不是一个可持续的评估方式。RAGAS 提供了一套可量化的评估框架，让你能追踪 Faithfulness、Answer Relevancy 等指标随时间的变化，并在每次改动后自动验证系统质量没有退化。Advanced RAG：超越 Naive RAG 的高级检索增强技术https://socake.github.io/posts/advanced-rag-techniques/Wed, 04 Feb 2026 11:33:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/posts/advanced-rag-techniques/系统拆解 Naive RAG 的三类失败模式，提供混合检索、HyDE、查询改写、Parent-Child 分块等高级技术的完整实现RAG 系统设计与实战：检索增强生成完全指南https://socake.github.io/posts/rag-system-design-practice/Tue, 11 Nov 2025 11:41:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/posts/rag-system-design-practice/RAG（检索增强生成）是目前企业落地 LLM 最主流的方式。本文覆盖 RAG 系统的完整设计：文档处理管线、分块策略、向量检索与关键词混合检索、Rerank 重排序、上下文压缩，以及用 RAGAS 框架评估 RAG 质量，最后分享生产环境踩坑记录。Milvus 向量数据库实战：从部署到生产应用https://socake.github.io/posts/milvus-vector-database-practice/Thu, 06 Nov 2025 09:52:00 +080017691281867@163.com (Wenzhuo Huang)https://socake.github.io/posts/milvus-vector-database-practice/覆盖向量数据库选型对比（Milvus/Qdrant/Weaviate/pgvector）、Milvus Standalone与Cluster部署、Collection Schema设计、HNSW/IVF_FLAT索引调优、混合搜索实战，以及生产环境常见问题处理。