RAG
讲清检索增强生成是怎么工作的，以及 Embedding、向量数据库和重排序在企业知识库问答里各自扮演什么角色。
RAG 是检索增强生成，让大模型在回答前先从外部资料找证据，而不是直接凭记忆生成。RAG 的基本流程，以及 Embedding、向量数据库和重排序模型在知识库问答里分别负责什么，能帮团队少走检索和切片上的弯路。
文本分块是什么？切得太碎答不全，切得太大又答偏
文本分块是把长文档切成一小段一小段再存进知识库的做法：一本书、一份合同或一整套帮助文档不会整篇塞给模型，而是先切成几百到上千字的小块，每块单独做向量化，用户提问时只捞出最相关的几块交给模型作答。它是 RAG 链路里最不起眼、却最能决定答得准不准的一步。 为什么不能整篇塞进去 整篇文档直接进上下文有三...
Admin
42 
Firecrawl 值得用吗？把网站抓成干净数据，省事背后有三处代价
Firecrawl 值得用吗，先看它解决的是哪一步麻烦：它把“抓网页”做成了一个专门喂给大模型的服务——你给它网址，它还你去掉导航、广告和杂音的干净 Markdown 或结构化 JSON，省掉自己拼无头浏览器、代理和清洗脚本的那一整套活。对做 AI 搜索、知识库和智能体的人来说，这一步恰恰是最耗时间...
Admin
41 
DeepSeek 开放 Search 与 Fetch API：每千次 5 元，失败请求不计费
DeepSeek 的 Search 与 Fetch API 于 2026 年 10 月 17 日正式上线，DeepSeek 在官方 API 文档中，把自家 App 背后使用的搜索引擎开放给了所有开发者。此前想让程序调用 DeepSeek 的搜索能力，只能用它自家产品里的联网搜索；现在搜索与抓取被拆成...
Admin
170 
PaddleOCR 值得用吗？把 PDF 和图片转成结构化数据，先看三处代价
PaddleOCR 是百度飞桨团队维护的开源 OCR 工具包，专门把 PDF 和图片里的文字连同版面结构一起抽成机器能用的数据。它在 GitHub 上长期热门，不是因为新奇，而是因为很多团队做知识库、发票处理、文档问答时，第一步都卡在同一件事上：文档是图片格式的，大模型读不了，得先有人把文字和表格结...
Admin
58 
Databricks 文档智能实时 API 正式可用：合同发票到达即读，不再等批处理
Databricks 文档智能的实时 REST API 在 2026 年 10 月 14 日由 Databricks 官方博客宣布正式可用（GA）：文档解析、分类与字段抽取三个接口结束预览，负责分流决策的接口同期进入 beta。变化听起来只是状态升级，实际改的是企业处理合同、发票和理赔材料的时序——...
Admin
49 
MinerU 值得用吗？PDF 转 Markdown 的 5 万星工具，坑在部署和授权
MinerU 是这两年文档解析领域绕不开的开源项目：把排版复杂的 PDF 转成干净的 Markdown 或 JSON，公式变 LaTeX、表格变 HTML、扫描件自动走 OCR，正好卡在大模型训练和 RAG 知识库最缺高质量语料的点上。它在 GitHub 上已有 5 万多 star，但 star 数...
Admin
71 
Docling 值得用吗？把 PDF 喂给大模型之前，先看版式这一关
Docling 解决的是把 PDF 喂给大模型之前最容易被低估的一关：版式。普通提取工具把 PDF 按字符顺序倒出来，双栏读串行、表格塌成一片、标题和正文混在一起，下游模型再聪明，也只能在一堆乱序文本里猜。Docling 的做法是先理解页面结构，再输出干净的 Markdown 或 JSON，在 Gi...
Admin
71 
Perplexity 开源多模态嵌入模型：文本和图片共用一个检索空间
Perplexity 的新嵌入模型把文本和图片放进了同一个检索空间。2026 年 10 月 7 日，Perplexity 首席执行官阿拉温德·斯里尼瓦斯宣布开源 pplx-embed-v2-late，权重已发布到 Hugging Face，采用 MIT 许可。这是一组多向量嵌入模型，包含 9B 与 ...
Admin
119