生态工具篇难度 3⏱ 12 分钟概念
01RAG 评估
系统化评估 RAG 系统的检索质量与生成质量,定位瓶颈并指导优化。
RAG评估RAGASFaithfulnessContext Precision
更新于 2026-03-25rag-evaluation
无论你想了解核心概念、开发框架、设计模式还是工程实践,都可以从搜索开始,快速定位对应知识卡片。
优先展示与当前关键词更相关的知识卡片,方便你继续延伸阅读。
系统化评估 RAG 系统的检索质量与生成质量,定位瓶颈并指导优化。
让 LLM 先查资料再回答,大幅降低幻觉并支持知识实时更新的核心架构。
RAG 场景下的提示词设计方法,涵盖上下文注入、模板结构、引用归因等核心技术
deepset 开源的 AI 编排框架,用模块化管道构建 RAG、语义搜索和 Agent 应用。
专注于数据连接与检索的 LLM 数据框架,是构建 RAG 应用的核心工具。
轻量级开源向量数据库,pip 一装即用,专为 AI 应用的语义搜索和 RAG 场景设计。
全托管云原生向量数据库,Serverless 架构零运维,适合快速搭建语义搜索和 RAG 应用。
基于 Rust 的高性能向量搜索引擎,以过滤优先设计和极致性能著称,适合 RAG 和语义搜索场景。
让 Agent 自主决定何时检索、检索什么、检索几次,实现智能化的知识问答。
开源 AI 原生向量数据库,内置向量化模块和生成模块,支持多模态搜索与混合检索。
在运行时动态组装最优上下文,让 LLM 在正确的信息环境中完成任务
面向企业海量知识处理的分层平台架构,通过数据治理、模型管理和引擎拆分实现知识的安全利用与灵活组合。