從零建一套可上線的 RAG：完整流程與關鍵決策點
把前面的零件組起來。這篇是一條端到端的實作路線，含每個決策點的判斷依據。
知識圖譜輔助檢索：關聯性問題的解法
「A 的主管的部門負責哪些產品」這種問題，向量檢索天生做不好。
RAG 的最小可用架構：五個元件與它們的失敗模式
先把架構圖看懂，再談優化。這篇拆解 RAG 的五個元件，以及每個元件壞掉時使用者會看到什麼症狀。
RAG 的權限模型：多租戶與文件級授權
企業場景中，檢索錯一份文件就是資安事故。這是可稽核的權限設計。
切塊策略比較：固定長度、語意邊界與結構感知
切塊是 RAG 影響最大也最便宜的調整點。三種策略的適用文件類型完全不同。
混合檢索：向量搜尋補不上的那一塊
產品型號、錯誤代碼、人名這類字串，向量搜尋常常查不到。關鍵字檢索仍然不可取代。
處理矛盾資訊：文件互相打架時該回答什麼
新舊版本並存、不同部門說法不一，這是真實文件庫的常態。
重排模型該不該加：延遲與命中率的實際取捨
重排幾乎一定能提升品質，問題是值不值得那 200 毫秒。這篇給判斷依據。
長期維運 RAG：索引膨脹、成本與品質衰退
RAG 上線一年後會遇到的問題，跟上線第一週完全不同。
給答案加上引用：可追溯的 RAG 怎麼實作
沒有引用的 RAG 等於沒有依據。這篇示範讓每一句答案都能對回原文的做法。
表格與數值資料的檢索：為什麼 RAG 算不對數字
問「去年第三季營收多少」，RAG 常常答錯。這是結構化資料該走的路。
查詢改寫：使用者問得很爛時怎麼救
真實的問題常是「那個怎麼用」。在檢索之前先把問題補完整，命中率會有明顯改善。
零結果與低信心的處理：RAG 的失敗體驗設計
查不到東西時的表現，決定使用者還會不會再用這個系統。
嵌入模型怎麼選：維度、語言與成本的三角
嵌入模型換一次就要重建整個索引，所以第一次要選對。這篇整理實際的挑選順序。
RAG 成本優化：從每次問答一塊錢降到一毛
把每個環節的成本攤開，逐項優化。多數系統有五到十倍的優化空間。
metadata 過濾：讓檢索先縮小範圍再比相似度
很多檢索問題不是相似度算錯，而是根本不該搜到那批文件。
RAG 的評測方法：分開量檢索與生成
把 RAG 當黑箱評測，永遠不知道該修哪裡。這篇拆成兩層各自量測。
PDF 進 RAG 前的清洗：頁首頁尾、表格與換行
RAG 效果差，有很高比例的原因出在 PDF 抽取階段就已經爛了。
上下文塞多少片段最好：k 值的實測方法
塞越多不一定越準。片段數對準確率的曲線通常在中段就見頂，之後反而下滑。
文件更新怎麼同步：增量索引的基本設計
文件會改，索引不能每次都全量重建。這篇是最小可行的增量更新設計。
父子片段：檢索用小段落，生成給大段落
小片段檢索準，大片段回答完整。父子結構讓你兩者兼得。
RAG 的快取設計：哪些能快取，哪些不能
RAG 有三個可快取的層次，用對了能省下大半成本，用錯了會回傳過期答案。