从 0 搭一套 Python AI 知识库（四）：解析、切片与补偿任务
五种格式解析、标题路径、按句切片的 overlap 技巧，以及没有 MQ 时的状态机与补偿任务。
从 0 搭一套 Python AI 知识库（三）：建知识库、传文档
建知识库、用 MinIO 流式上传、SHA-256 去重、配额校验，并让上传后立即解析。
从 0 搭一套 Python AI 知识库（二）：数据库、登录与多租户
PostgreSQL 8 张表、SQLAlchemy 异步会话、SSO 换票、Redis 会话与多租户隔离，一次接通。
从 0 搭一套 Python AI 知识库（一）：先把服务跑起来
从空目录把 FastAPI 骨架立起来：配置、统一返回、异常兜底和健康检查，跑通第一条命令。
从零搭建 AI 知识库系统（二）：RAG 检索链路与双路召回
这一篇实现从「切片入库」到「双路召回融合」的完整链路。核心是一个容易被忽略的设计：为什么必须保留关键词召回。 一、切片入库 @Override @Transactional(rollbackFor = Exception.class) public void
Spring AI Alibaba 48｜检索增强生成 RAG · Spring AI Alibaba RAG 组件
Spring AI Alibaba 提供了构建 RAG 系统的核心组件和模块化架构： // ETL Pipeline 组件 import org.springframework.ai.document.Document; import or
Spring AI Alibaba 47｜检索增强生成 RAG · RAG 架构：混合 RAG
混合 RAG 结合了两步 RAG 和 Agentic RAG 的特点。它引入了中间步骤，如查询预处理、检索验证和生成后检查。这些系统比固定管道提供更多灵活性，同时保持对执行的一定控制。 典型组件包括： 查询增强：修改输入问题以提高检索质量。
Spring AI Alibaba 46｜检索增强生成 RAG · RAG 架构：Agentic RAG
Agentic 检索增强生成（RAG）将检索增强生成的优势与基于 Agent 的推理相结合。Agent（由 LLM 驱动）不是在回答之前检索文档，而是逐步推理并决定在交互过程中何时以及如何检索信息。 提示Agent 启用 RAG 行为所需的
Spring AI Alibaba 45｜检索增强生成 RAG · RAG 架构：两步 RAG
大型语言模型（LLM）虽然强大，但有两个关键限制： 有限的上下文——它们无法一次性摄取整个语料库静态知识——它们的训练数据在某个时间点被冻结 检索通过在查询时获取相关的外部知识来解决这些问题。这是**检索增强生成（RAG）**的基础：使用特