经验案例
最小 RAG 链路
先跑通入库、检索、生成三个环节。
阅读全文 →经验案例
工具选择与 MVP
先用成熟工具跑通，再决定自研哪一部分。
阅读全文 →经验案例
混合检索与切块
向量检索配 BM25，切块按文档类型调整。
阅读全文 →经验案例
客服提示词与引用
限定资料范围，要求回答标出片段编号。
阅读全文 →经验案例
评测、守门与兜底
固定问题集测命中率、准确率和拒答。
阅读全文 →经验案例
维护与文档更新
定期刷新索引、清理旧版本文档并监控异常。
阅读全文 →github_project
Dify — 可视化 LLM 应用平台 + 内置 RAG 流水线
目前最主流的开源 LLM 应用平台之一：可视化 Workflow、内置 RAG Pipeline、Agent、模型管理与可观测性一体。知识库问答是其最常用场景，适合想从原型一路做到生产的团队。
阅读全文 →github_project
RAGFlow — 以深度文档理解为核心的 RAG 引擎
InfiniFlow 出品，专攻“文档很难搞”的 RAG：DeepDoc 做版面分析、OCR、表格识别，模板化分块可人工检查修正，向量+BM25 混合检索+重排，回答带可追溯引用。检索即产品，不是附属
阅读全文 →github_project
FastGPT — 国产知识库 + 可视化工作流编排平台
labring 出品，国内用户量大的知识库平台：数据处理、RAG 检索、可视化 Flow 工作流开箱即用，知识库多库复用/混用、混合检索与重排、应用评测、免登录分享与 iframe 嵌入都有。对中文团
阅读全文 →github_project
MaxKB — 开箱即用、能一键嵌入第三方系统的知识库问答
1Panel 团队出品，定位就是“快速上线”：一条 Docker 命令启动，上传文档自动拆分向量化，内置工作流引擎，最大卖点是生成一段 JS 就能把问答挂件嵌入任意已有网站/业务系统，不用改后端、不用
阅读全文 →github_project
AnythingLLM — 桌面/ Docker 双形态的私有文档对话（工作区隔离）
Mintplex Labs 出品，个人与小团队最省事的一档：桌面版一键安装，文档按 Workspace 隔离管理，内置 RAG（默认 LanceDB 向量库免配置）、支持 30+ LLM 供应商、多用
阅读全文 →github_project
QAnything — 网易有道开源的两阶段检索 RAG 引擎（BCEmbedding）
网易有道自研并开源，已在其自有产品中落地：两阶段检索是招牌——先用 BCEmbedding（中英双语、跨语言检索）向量召回，再用 reranker 精排，专治“知识库越大检索越差”。支持 PDF/Wo
阅读全文 →github_project
Langchain-Chatchat — 中文友好的全流程本地知识库问答（原 Langchain-ChatGLM）
老牌中文 RAG 项目：基于 LangChain 思想，加载→分割→向量化→检索→生成的完整链路透明可见，FastAPI 出 API、Streamlit 出 WebUI，可全离线（开源 LLM+Emb
阅读全文 →github_project
LightRAG — 图谱增强 RAG（HKUDS），适合多跳/关系型问题
港大数据智能实验室的图谱 RAG 框架（EMNLP 2025）：抽取实体与关系建图，混合“图检索+向量检索”，擅长普通向量 RAG 答不好的跨文档、多跳、关系型问题（如“A 项目的供应商和 B 项目有
阅读全文 →experience
分块（Chunking）实操：先定 512 递归分块基线，再按文档类型升级
分块是 RAG 质量的第一杠杆，“分块阶段选错，后面全 poison”。多份 2026 实测/指南的共识基线：递归分块约 512 tokens、重叠 50–100 tokens（约 10–20%）；文
阅读全文 →experience
Embedding 选型实操：中文优先 bge-m3 一档， reranker 用 bge-reranker-v2-m3
多份 2026 分析称：在向量库选型之上，Embedding 模型选型对检索质量影响更大——“对的模型+平庸的库”胜过“最好的库+错的模型”。中文/中英混合场景的稳妥默认：BAAI bge-m3（多语
阅读全文 →experience
混合检索 + 重排实操：两阶段检索是生产级 RAG 的分水岭
纯向量检索搞不定编号、型号、人名等精确词查询。生产共识架构：第一阶段混合召回（向量语义 + BM25 关键词并行、RRF 融合），粗召回 Top 30–50；第二阶段 cross-encoder re
阅读全文 →prompt_pack
防幻觉提示词包：只据上下文作答 + 逐条引用 + 无据拒答（可直接套用）
防幻觉不能只靠模型自觉，要靠提示词把规矩写死：只许用给定上下文、每个关键论断标引用、上下文不足明确拒答、数字与转折条件逐项自检。多份中文实战文（华为云社区银行客服案例、53AI 踩坑文）与英文指南（S
阅读全文 →experience
RAG 评估实操：用 RAGAS 四指标做上线门禁，而不是凭手感
RAG 好不好不能靠“问了几条感觉还行”。开源框架 RAGAS 的四指标已被 Red Hat、Databricks 等文档收录为标准口径：Faithfulness（答案是否被上下文支持）、Answer
阅读全文 →experience
常见翻车清单：RAG 答不好时的排查顺序（故障模式手册）
综合阿里云开发者社区的 RAG 幻觉分类与多篇实战复盘：先分清是“没找到、找错、融合错、超范围编”哪一类，再对症下药。通用排查顺序：查召回（日志里看实际命中的片段）→ 查分块 → 查提示词 → 最后才
阅读全文 →case
案例：Dify 搭企业内部知识问答（HR 政策 + 产品手册 + 技术 Wiki）
菜鸟教程给出的完整可复现部署案例：把分散在 HR 政策 PDF、产品手册 Word、技术 Wiki Markdown 的文档汇成一个内部知识库，员工用自然语言提问、回答带来源；检索参数给出了具体起步值
阅读全文 →case
案例：QAnything 在有道自有产品与近百家企业的落地
据 ecer 转载的有道开源/升级报道：QAnything 2024 年 1 月开源前已在网易有道自有产品中实现，典型应用包括教育场景的“私人 AI 规划师”（政策咨询类问题，报道称准确率 95%+）
阅读全文 →case
案例：FastGPT 工作流做“有据可查”的知识库问答（节点级参数）
CSDN 实战文给出的节点级可复现案例：用户问“七天无理由怎么退”，系统必须给出结论并附引用原文。链路只有三个节点（流程开始 → 知识库检索 → AI 对话），但参数写得很实：知识库检索召回数量 50
阅读全文 →case
案例/方案：MaxKB 把问答挂件嵌入已有业务系统（零后端改造）
MaxKB 最具辨识度的落地形态（据 clawdbytes 介绍）：系统生成一段 JS 脚本，粘贴到任意 HTML 页面即出现知识库问答挂件，不需要 iframe、不用改目标系统后端。对“公司已有官网
阅读全文 →