若您在 RAG='中是全新的 RAG},}开始于 RAG 解释 和 RAG 建筑结构@.@'}这是你建造RAG输油管的地方 多数为 {\fn黑体\fs22\bord1\shad0\3aHBE\4aH00\fscx67\fscy66\2cHFFFFFF\3cH808080}为什么它回答说"?"调试会"?

包括#: @% RAG. 生产背后的建筑图案 用 RAG 构建文档摘要器.

从哪来的? 我建造的 DocSummamer 缩写器 (Document RAG 引擎=), 数据合成器 (DataRAG 引擎), 图像合成器 (-图像RAG引擎+), 音频合成器 -=YTET -伊甸园字幕组=- 翻译: 更清晰 , 数据@, 图像 @,和音频=.

您可能正确地注意到这个网站的语义搜索已破损@ ... @ and yeah it'_s a config sublication I has@'}t have time to fix

快速 RAG 名词更新器

@	_Term {	}它意味着什么? ~	}示例@
RAG 区域包 在回答“	”之前,先给您公司一个LLM文件
弹头 将文档分割成小块 *\	\ 打破一个 PDF 到段落\ MPK2\ {
上端的-k “	” 获取搜索结果“"” “MSBET” “	” “I"” 给我看看最相关的块“MS K5” (MSSK6) @ @	}
矢量搜索 @	} 使用嵌入式 {	} \ _ MS K2 find docs 来查找类似文字, 类似于此错误消息@"}\
BM25	+关键字搜索@	+ @"#Find docs 包含 <'_timeout '}和<'{database>'"+	#
上下文窗口	+	+Finite和昂贵的#	}您能装在快速 & MSSK1Q中有多少文字适合
信号 @"_Priority@:High"}高音 MSK7#	_

检索+(RAG)成为其中之一,这意味着 什么都没有,一无所有.

对于很多球队来说 ,+#“BARBAR”}现在是:

1. 块文档
2. 嵌入他们
3. 获取顶部@ - @ k
4. 把所有东西粘贴在瞬间
5. 向模型求问 @“_gigin it out@”}(请在模式上找到)

它的工作原理 . 直到它达到’为止

@’QQS 昂贵的@,QASONAS 很难理解关于 @MS K3QAS, 它会悄悄地对模型负责 #:QAS 分析结构,Q}强制执行过滤器#,Q}决定什么重要 ,Q调和矛盾 ,QAZ 并有信心相信它$.

当人们说““’RAG幻觉” “”’ 或“MS K2‘RAG doesn't ’’ t过滤井” 他们通常责怪错误的成分 .

问题在于RAGQ. 问题是 懒懒的RAG.

此文章描述不同的默认值@: @% 减少的RAG -使用LMM 小于@,_Not more\ ,}通过在前面提取确定性信号,将模型视为模式 合成合成引擎# , # 不是# 数据存储.

将上下文窗口如存储处理为核心错误@:

上下文窗口是 @: @%

• 瞬态
• 未类型
• 贵贵
• 每个查询都偿还了

这不是一个数据存储@. @%

当你问:的模型时 只需多插几根

• 每一次 - parse 结构
• 推滤器,而不是执行过滤器
• 总结您以后可能需要的详细信息
• 即使当它错的时候 也充满自信

这就是为什么RAG演示看起来很棒 并且生产RAG系统静悄悄地腐烂.

降为RAG=”}这意味着什么?

减少RAG翻转默认值@. @%

而不是:

获取文本, 让模式决定什么重要 @. @%

你做:

决定什么重要 曾经',存储它 ,,只有在需要合成时才涉及模型=.

在实践中,这意味着 廉价检索 ,捆绑的一代.

如果此声音听起来熟悉 @ , @ it@ MS K1}%s 和 受限制的模糊: 允许概率组件 提议; 让定型系统 决定.

传统RAG与减少的传统RAG

让我们先看看大多数球队都做了些什么 以及为什么它很贵

flowchart LR
    subgraph Traditional["❌ Traditional RAG: Everything Through the LLM"]
        T1[Documents] --> T2[Chunk Everything]
        T2 --> T3["Embed All Chunks<br/>(once)"]
        T3 --> T4[Vector Search]
        T4 --> T5["Paste Top-K<br/>(per query)"]
        T5 --> T6["LLM Decides<br/>(per query)"]
        T6 --> T7[Answer]
    end

    style Traditional stroke:#ef4444,stroke-width:3px
    style T6 stroke:#ef4444,stroke-width:3px
    style T5 stroke:#ef4444,stroke-width:2px

问题 @:

• LLM re @ - pparses 结构每个查询
• 能够执行过滤器 @ ( @ 仅@ MS K2 @ ask cleanyQ" @ 通过提示@ MPK4}
• 每个查询 < (↑\ > 的调整成本比例表
• 模型发明过滤器时的幻觉

现在这里=' 减少的RAG接近*:

flowchart TB
    subgraph Ingestion["✅ Ingestion (Once - Pay Upfront)"]
        I1[Source Docs] --> I2[Parse Structure]
        I2 --> I3["Extract Signals<br/>(deterministic)"]
        I3 --> I4[(Structured Fields)]
        I2 --> I5[Semantic Units]
        I5 --> I6[(Vector Store)]
        I2 --> I7[(Evidence Store)]
    end

    subgraph Query["Query Time (Cheap Per Query)"]
        Q1[User Question] --> Q2{Extract Filters}
        Q2 --> Q3["Filter Database<br/>(no LLM)"]
        Q2 --> Q4["BM25 Search<br/>(no LLM)"]
        Q2 --> Q5["Vector Search<br/>(no LLM)"]

        Q3 --> R[Candidate Set]
        Q4 --> R
        Q5 --> R

        R --> S["Small Evidence Pack<br/>(5 sources not 50)"]
    end

    subgraph Generation["LLM (Bounded Synthesis Per Query)"]
        S --> L[Synthesize Answer]
        L --> A[Answer + Citations]
    end

    style Ingestion stroke:#22c55e,stroke-width:3px
    style Query stroke:#3b82f6,stroke-width:3px
    style Generation stroke:#f59e0b,stroke-width:2px
    style I3 stroke:#22c55e,stroke-width:3px
    style Q3 stroke:#3b82f6,stroke-width:3px
    style L stroke:#f59e0b,stroke-width:3px

密钥差异@: @%

-=YTET -伊甸园字幕组=- 翻译: |-------|----------------|-------------| | 摄食 @|just push and insepting #|}解压缩日期 ,_Q分类,}实体=,}品质旗@|{ | 过滤 “|”请LLM迅速过滤“|”数据库,其中含有“MS K2”的条款。 | 搜索 | 矢量只| BMQ25 MS K3 病媒 □+ 结构过滤器 *| | LLM 作用 @ | passe 过滤器@ , 并回答 *|} 只是合成答案@| | 费用成本 @|_每个查询都为整个背景支付费用 {|}%spession once *,}询问便宜的@|

一步1: 确定性摄取率 ( 无趣的一点 这很重要

在消食时间, 分析您能做的 无无 一个LLM.

suppicle : 支援票券系统

而不是仅仅在文本中填入票@: @%

Traditional: "Ticket #1234: Customer complained about slow loading..."
→ Embed entire text
→ Hope the LLM figures out it's about performance

提取前端的信号@: @%

// Parse once during ingestion
var ticket = new SupportTicket
{
    Id = "1234",
    CreatedDate = DateTime.Parse("2025-01-15"),
    Category = "Performance",              // ← Deterministic field
    Product = "WebApp",                     // ← Filterable
    Priority = "High",                      // ← Sortable
    Customer = "Enterprise",                // ← Segment filter
    SentimentScore = -0.3,                  // ← Computed once
    Tags = ["slow-loading", "timeout"],     // ← Searchable
    Text = "Customer complained about..."   // ← Still keep for RAG
};

你能从中提取到什么?

“	”信号类型“	”实例“	”为何重要?
时间时空 @	_Created date@,}更新日期=%,}过期时间={	}"}上星期唯一显示的 '}误差=%"}MPK7}
分类符号 -=YTET -伊甸园字幕组=- 翻译:
数值 @	#@"#Sort 按严重性分列#"MSC7#
身份识别特征 @	_作者@,_BARBAR_客户 ID,}(SKU),_发票 *##}{	}*"}所有来自顾客的机票
质量质量 “	” OCR Information@, @Outo=-}生成的旗子 @	@ @%"#Exclexdude low_-}(信任 OCRQ
证明书	Q来源系统 @,QFile path@,Q URL _	}"Q 仅来自生产日志%"{	}

保存输出@. @ that'_s 您的系统可以依赖#.}

RAG 的硬部分是 @'}(不是模型) #- It='* 具体实施情况*,}见 用 RAG 构建文档摘要器 和 建筑RAG管道.

一步2:存储信号 (并保存证据)"

而不是将 @"_chunks@"}和指针放在源代码.}♪

文本仍然是系统的一部分 @ - @ 但变成 证据证明{\fn黑体\fs22\bord1\shad0\3aHBE\4aH00\fscx67\fscy66\2cHFFFFFF\3cH808080}什么?

这是“"RAG ” 的答案与“{"和 “"〞RAG 的回答之间的差别。

但我怎么知道什么信号可以提取?

你没有做 ' t. 不是前面的.}

整个储存点 原始信号 取代 LLM @ -}处理的概要@.

传统RAG @(}(改变成本昂贵) ∮):

// ❌ You asked the LLM to "summarize the key points"
var summary = await llm.Summarize(ticket.Text); // Expensive
await db.SaveAsync(summary); // Threw away the original structure

// Later: "Actually, we need sentiment scores too"
// 😱 Have to re-process 10,000 tickets through LLM again!

变换RAG ):+Q(#cheap 的降为 RAG @ MS K0 @ cheap

// ✅ Store raw signals extracted deterministically
var signals = new TicketSignals
{
    Text = ticket.Text,                    // ← Keep original
    WordCount = ticket.Text.Split().Length, // ← Cheap to compute
    ContainsErrorCode = Regex.IsMatch(ticket.Text, @"ERR-\d+"),
    MentionedProducts = ExtractProducts(ticket.Text), // ← Heuristic
    SentimentWords = CountSentimentWords(ticket.Text), // ← Word lists
    CreatedHour = ticket.Created.Hour      // ← Maybe useful later?
};

// Later: "We need to prioritize by sentiment"
// ✅ Just add a computed column - no LLM re-run needed!
await db.ExecuteSqlAsync(@"
    ALTER TABLE Tickets ADD COLUMN SentimentScore AS
    (SentimentWords->>'positive' - SentimentWords->>'negative')
");

刚刚发生了什么?

• 你储存了 信号比你需要的还要多 ( cheap )
• 当需求改变时 @,你 从存储的信号中进行计算 # (#无自由#)#
• 您在 10,000 文档上的“( Excitesive @+ time@-phient_)

这是和:}相同的模式

• DISE ( dirreced 合成进化\ ) 当您更改评分函数时 @,你没有做't re-运行 LLM 进化@—you re-}存储信号中的现有候选人=.*
• Bot 检测 -商店请求模式@,时间信号 @,行为超常=MSK}当您调整阈值时 @MS K4 _#→ @{0.4),你做吗?'t 重新处理流量—你再做-评价存储的信号♫.

规则=: 记得记住 之前 更新您的 " memory\ @ MS K2} @ I( retrieval 逻辑@)}免费的.}

关键的建筑效益:挥发性 . 因为您在嵌入 {(} 的同时存储确定性信号, 而不是它们),} 系统每个部分都可以独立改变 . swap 嵌入模型_ MS K3\ re\ MOSK4\ 编组而不触动信号@.\ 添加一个新的信号\ ? 从储存的文本中计算它而不重新%-\ embed\ mSSK8\ tune 排名=?\ 调整信号重量和评分逻辑而不重索引<.>

使用多@ - @ vector 仓库\ MS K1 类似 Qdrant @ MSSK2} 您甚至可以添加 每个文件的多个嵌入“. 想要尝试一个新的嵌入模型”“? 添加它与现有的模式并加, 并在生产过程中逐渐过渡 ‘. 测试 ’ ,} 比较质量@, 然后在不重新索引或中断服务的情况下对旧的“ @- ” 进行拆分 。

每个组成部分都可以演进,而不会迫使一个完整的管道重建 -,并且不贬低其他部分。

您应该存储什么信号? ?

存储任何你能计算到的东西 廉价和决定性地.

重要的: 信号只是 短文本字符串@, @ number @ ,}和布林值@ — @ 不是巨型数据结构@ . @ 您K2# 正在存储 @ I" @ performance @ MPK4 @ @ @ MCK5 @ chars @ MASK6}不是 @"_ Customer 抱怨着缓慢的装载时间@..." @ @ *(50+# words{

public class DocumentSignals
{
    // Always extract (almost free)
    public int CharCount { get; set; }              // Example: 1247
    public int WordCount { get; set; }              // Example: 203
    public int ParagraphCount { get; set; }         // Example: 5
    public string[] UniqueWords { get; set; }       // Example: ["timeout", "error", "api"]

    // Structural (parse once)
    public bool HasCodeBlocks { get; set; }         // true/false
    public bool HasLinks { get; set; }              // true/false
    public int HeadingCount { get; set; }           // Example: 3

    // Heuristic (simple patterns)
    public string[] MentionedProducts { get; set; }       // Example: ["WebApp", "API"]
    public string[] ErrorCodes { get; set; }              // Example: ["ERR-404", "ERR-500"]
    public Dictionary<string, int> SentimentWords { get; set; } // { "positive": 3, "negative": 7 }

    // Metadata (already available)
    public DateTime Created { get; set; }           // Example: 2025-01-15T14:23:00
    public string Author { get; set; }              // Example: "[email protected]"
    public string Category { get; set; }            // Example: "Performance" (not essay-length)

    // Computed (cheap math)
    public double ReadingTimeMinutes { get; set; }  // Example: 4.2
    public double KeywordDensity { get; set; }      // Example: 0.034
}

储存成本比较

}您在文档中存储的 {	} 大小@	} @10k 文档 *%	}
全文全文	~5 KB	MM □
所有这些信号 @	~500 bytes _	@#5 MB
LLM-生成摘要	~2 KB	MM □

信号是 10#x 小一点 文本+, 4#x 小一点 超过 LLM 摘要@,和 价格无限便宜 重新計算(}因為您需要 LLMMS K2}(% 1) 。

当你意识到你需要不同的信号时 : 仅从存储的原始数据中计算 . 储量是廉价; LLM 推论是昂贵\ .

这就是为什么 @"_Over@-}%expracteraction}"}你曾经在储藏室支付过一次 (Neggleppilable{),}没有反复的推论

没有 LLM ( 的“3:” 步骤搜索@ most question

大部分的"RAG查询"}其实只是些有限制的搜索查询

• @" @ 仅是最新的 docs @ "}
• 仅供英国客户使用 @"@
• @" @ 仅支付计划@" @
• @"_只有上周的错误@"}

传统RAG -=YTET -伊甸园字幕组=- 翻译:

// ❌ Paste everything into prompt and hope
var chunks = await vectorSearch.SearchAsync(query, k: 50); // 50 chunks!
var prompt = $@"
Given these 50 chunks of text, answer the question but ONLY use
docs from last week and ONLY for UK customers.

Chunks: {string.Join("\n", chunks)}

Question: {userQuestion}
";
var answer = await llm.GenerateAsync(prompt); // Expensive + unreliable

减少的RAG -=YTET -伊甸园字幕组=- 翻译:

// ✅ Filter first, retrieve less, synthesize last
var candidates = await db.Tickets
    .Where(t => t.CreatedDate > DateTime.Now.AddDays(-7))  // ← Database does this
    .Where(t => t.Region == "UK")                          // ← Not the LLM!
    .ToListAsync();

// Hybrid search on the filtered set
// (In production: push BM25 to database/index, not in-memory LINQ)
var bm25Results = candidates.Where(c => c.Text.Contains(keyword));
var vectorResults = await vectorSearch.SearchAsync(query, k: 5, filter: candidates);

// Small evidence pack
var evidence = RRF.Merge(bm25Results, vectorResults).Take(5);

// LLM only synthesizes
var answer = await llm.GenerateAsync($@"
Synthesize an answer using ONLY these 5 sources:
{FormatEvidence(evidence)}

Question: {userQuestion}
");

刚刚发生了什么?

• 数据库过滤确定@( @not the LLM)}%
• LLM 查看的源数是 @5%, 而不是@50% @ @ @ (90%# 象征性削减@MSC3}
• 保证过滤器@ , @ 不是 @ MS K1 @ suggested @ MPK2}

这就是为什么生产中的混合搜索问题吗? “. ” 如果你已经建造了“' ” 它,但是还没有建成“MS K2 ” 介质搜尋@& @ auto @ - @ Indexing 是整个RAG系列中最实用的片段 .

使用LLM来提取意图@(作为提案_)

如果查询真的乱七八糟 @,_您 能够 使用一个小模型来提取意图@/过滤器 @("\ñacompare vs 解释对麻烦射击的错误=%"):}

// Use small model to propose filters (ephemeral - discarded after use)
var intent = await smallModel.ExtractIntent(userQuestion);
// Returns: { intent: "troubleshoot", filters: { priority: "high", product: "api" } }

// Validate the proposal against known fields (deterministic)
var validatedFilters = ValidateAgainstSchema(intent.filters);

// Use validated filters for retrieval
var results = await db.Tickets.Where(validatedFilters).ToListAsync();

核心原则:LLM提议MS K1确定层验证{.

这是 受限制的模糊 模式@. @%

更深入地潜入时间执行模式,即您临时使用LLMs而不坚持其输出结果=,见。 火和火.

作为合成引擎的LMs (not法官 *)

只有在检索后,你才给LLM.打电话。 你才会给出一小串明确的事实,附有证据指示和明确的不确定说明。

模型='}工作_: 合成, @ 解释@ , @ 比较# . @ 不是:# 决定真相 ,发明结构.

如果您在意 @ “ @%LLLMs, 将整个上下文窗口拖到答案@ MS K1 @ 您已经看到过失败模式@.}我直拨了 受限制的模糊环境拖拉{\fn黑体\fs22\bord1\shad0\3aHBE\4aH00\fscx67\fscy66\2cHFFFFFF\3cH808080}你要求它做什么?

为什么这样更安全 和 更便宜

成本比较 @(#说明性示例@)

典型客户支持 RAG 系统磁力比较@:

假想: @10,000 支持票@, @#1,000每日查询

“	” 接近“	” 摄取成本 “MS K2” Per-” 出勤成本	每日成本 *	*
传统RAG ×大环境 @	#~每日$75/
减少的RAG ×小环境 @	#~每日$7.50/

音量序列@: @% ~10x每天降低成本

再好不过了 有了良好的证据和确定性的过滤@,}你可能需要一个边境模型 在所有的.}本地的Ollama模式 @()}与小型的证据包常常比GPT=-4}喂饱了%50}它必须自己分析的块子#.}

Plus: 减少调试时间 , 少支持升温 , 和模型灵活性swap 型号,无建筑改变*MS K4

可靠性

传统RAG (#Hope@-}基于过滤机的过滤器 @):

// ❌ Prompt says "only UK customers" but model can ignore it
var answer = await llm.Generate(prompt); // No guarantee

减少的RAG ( 强制过滤 ):

// ✅ Database physically prevents non-UK results
var results = db.Tickets.Where(t => t.Region == "UK"); // Guaranteed

为什么它会更安全? 在一代人“(”之前强制实施过滤器。 “MSKOQ 模型”从未拥有过这些过滤器@, can @'t forget them_), 并且幻觉被你控制的证据所约束.

可解释性

传统RAG: @"@BARBAR,}模型上说这个#MSK1Q}但不知道为什么或者哪个块来自~."}

减少RAG:

// You know exactly why each result matched
var result = new SearchResult
{
    Text = "Server timeout error",
    MatchedBecause = new[]
    {
        "Region = UK (database filter)",
        "Created in last 7 days (date filter)",
        "BM25 score: 4.2 (keyword 'timeout')",
        "Vector similarity: 0.89 (semantic match)"
    },
    SourceChunks = [chunk1, chunk2], // ← Audit trail
    ConfidenceScore = 0.89
};

您可以检查为什么每个结果匹配@ ,, 当信任度低时会显示证据吗? @ , 和调试生产问题,

正在开始: 重构传统MS K1 减少RAG

如果您已经有一个工作RAG system {,} <在这里>'}_BARBAR_如果您已经有可用的RAG Systems@MSKO}这里*MSK 1}#如何迁移:%

步骤 @1: 添加结构化字段到您的摄入中

在:之前

public class Document
{
    public string Id { get; set; }
    public string Text { get; set; }           // ← Only unstructured text
    public float[] Embedding { get; set; }
}

在:后

public class Document
{
    public string Id { get; set; }
    public string Text { get; set; }           // ← Keep for evidence
    public float[] Embedding { get; set; }

    // Add deterministic signals (extract once during ingestion)
    public DateTime CreatedDate { get; set; }  // ← Parse from metadata
    public string Category { get; set; }       // ← Extract from filename/tags
    public string Author { get; set; }         // ← From file properties
    public string[] Tags { get; set; }         // ← Parse from content/metadata
    public double QualityScore { get; set; }   // ← Compute heuristics
}

切换“ 2:” 步骤将提示中的过滤器移动到查询@ MS K1 @

在:之前

var prompt = "Only use docs from last month for product 'API'. Query: " + userQuery;
var chunks = await vectorStore.Search(userQuery, k: 50);
var answer = await llm.Generate(prompt + chunks); // ❌ LLM might ignore filters

在:后

// ✅ Database enforces filters
var candidates = await db.Documents
    .Where(d => d.CreatedDate > DateTime.Now.AddMonths(-1))
    .Where(d => d.Category == "API")
    .ToListAsync();

// Search only the filtered candidates
var results = await vectorStore.Search(userQuery, k: 5, filter: candidates.Select(c => c.Id));
var answer = await llm.Generate(FormatEvidence(results)); // Much smaller context

步骤 @3:}添加混合搜索@(_BM25#+}矢量{)}

// Combine keyword and semantic search
var keywordResults = await db.Documents
    .Where(d => EF.Functions.ToTsVector("english", d.Text)
        .Matches(EF.Functions.ToTsQuery("english", keywords)))
    .ToListAsync();

var vectorResults = await vectorStore.Search(userQuery, k: 20);

// Merge using Reciprocal Rank Fusion (RRF)
var merged = RRF.Merge(keywordResults, vectorResults, k: 5);

见见 介质搜尋@& @ auto @ - @ Indexing 完全执行@. @%

衡量差异

在“:”之前和之后跟踪这些度量。

public class RAGMetrics
{
    public int PromptTokens { get; set; }           // Should drop by 80-90%
    public int CandidatesRetrieved { get; set; }    // Should drop from 50+ to 5-10
    public TimeSpan QueryLatency { get; set; }      // Should improve
    public bool FiltersEnforced { get; set; }       // Should be true
    public List<string> EvidenceSources { get; set; } // Should be traceable
}

拇指规则

如果您的系统依赖于 ever-}大上下文窗口来保持准确@ ,} 您没有%'}%t 有检索问题 *_您有摄取问题=□.}

定型卡牌

意图意图 @	使RAG可以预测@,便宜#,和可调试的|
部队 “	”高代币成本“,”微弱过滤器“MS K2”静默幻觉 @,}未打字的提示@
解决方案 “	” 解压缩信号一旦“→” 强制实施限制,
后果的后果 更前卫的工程 更好的行动行为

---

简化的RAG心理模式

减少的RAG是't 抗MS K1LLM. ItMSKO3s 抗□-Washage{.

以这种方式想一想

Traditional RAG = "LLM, here's 50 chunks. Figure out what matters and answer."
Reduced RAG    = "Database, filter to 100. BM25, find keywords. Vector, find similar.
                  Now LLM, here are the 5 most relevant sources. Synthesize an answer."

变换时间@: @

• 发自 @: 作为神器的LLM @ ( @does everything@)#
• 托 : 作为合成引擎的LLM {(} 有一件事很好

原始人 :

1. 信号 @ (_ deterministic_ )}-}日期{,}{类别} ,} 得分 过滤器
2. 证据 @(_text)} @ -}你展示给LLM的东西
3. 制约因素 @(BARBAR )}-}象征性预算 *,}过滤验证 <,}引用要求

模式@: @%

• 提取信号时, @ ( @ incess@ MS K1 @ *
• 过滤器确定为 @ (# 数据库对此 < ) } 很有用
• 混合搜索@(_BM25} @ +矢量 @ MPK3
• 合成捆绑的“(”小型证据包 “→” LLMM)

当您对包含语言模型的系统应用正常软件工程纪律时, 它会发生什么? .}

下一步步骤

如果你准备好建造这个:

1. 开始简单@ : @% 添加一个结构化字段@( @CreatedDate)}和一个数据库过滤器
2. 第一措施:* 在 / @ after
3. 添加混合搜索@: 用 RRF 执行 BM(这里的指南)
4. 递增构建@: @% Donó't 立即重构每件事

参考实施@:

• DomSummarizer *: 深层研究 “- 实际减少的RAG ”“: 6-ignal RRF Und,实体剖面表 ”, 语义图发现@, 和平行长长“MS K6form 合成” @- 全部来自一个二进制
• 用 RAG 构建文档摘要器 • 实际执行
• DocSummarizer RAG 管道 *- 完全输入管道
• 音频合成器 - 音频法证定性
• 更清晰 - 带有混合搜索功能的完整网络应用程序
• StyloFlow : 信号+- 驱动工作流程 - 具有有条件执行和升级条件的RAG输油管
• 受限制的模糊 基本图案

基础设施已经存在@. 您只需要停止将上下文窗口当成数据库 @.