#AI
7 篇为什么又做了一个博客
不是为了拥有更多工具，而是为了让零散想法更容易成为长期可用的内容。
文本分块：粒度、重叠与评估方法
搭 RAG 系统，数据加载搞定了，下一步就是把文档切成小块。分块策略选错了，后面检索怎么调都不对。本文介绍主流分块策略（固定大小、重叠、递归、语义分块等），并给出实战经验和参数建议。
数据加载：把异构来源变成可检索文档
数据加载是 RAG 管道的第一步，也是最容易被忽视的一步。本文介绍 Spring AI 的各类文档读取器（Text、PDF、HTML、Markdown、JSON、Tika）以及 Unstructured 文档处理库，涵盖元数据抽取、文档清洗与常见格式的处理方案。
用 LlamaIndex 构建一个最小 RAG 系统
LlamaIndex 是专为 LLM 设计的开源数据连接和检索框架，能快速搭起 RAG 全链路。本文介绍其核心功能（多格式加载、多种索引结构、灵活检索引擎），并一步步用 Python + LlamaIndex + 阿里百炼 API 搭建最小 RAG 系统。
RAG 入门：从最小流程到第一个可运行示例
上手 RAG 的最佳路径是先构建最小可行系统（MVP）。本文介绍 Java 技术栈的工具链选择（LangChain4j / Spring AI）、四步构建法（数据准备→索引构建→检索策略→生成提示）、常见难点与优化方向，以及 RAG 系统的评估指标。
为什么使用 RAG：它解决了大模型的哪些限制
大语言模型存在时效性差、专业领域不足、幻觉问题和数据隐私风险等局限性。RAG 通过"开卷考试"模式，先检索外部知识库再结合上下文生成，有效解决这些问题。本文还对比了 RAG 与微调、传统搜索的适用场景。
什么是 RAG：从检索到生成的完整链路
RAG（检索增强生成）是一种将信息检索技术与大语言模型相结合的框架，让 LLM 学会"开卷考试"。本文介绍 RAG 的核心定义、技术原理（索引与检索阶段）、常见用途以及技术演进（初级RAG→高级RAG→模块化RAG）。