系列文章/
RAG 工程专题：架构、向量库、查询路由与知识治理
本系列共 5 篇文章
如果你已经不满足于“能跑起来”的 RAG Demo，而是想知道怎么选库、怎么优化召回、怎么路由查询、怎么治理企业知识，这个系列适合作为系统入口。
RAG 架构向量数据库查询路由知识治理
1
RAG + Agent：下一代 AI 应用架构
从传统 RAG 到 Agentic RAG 的架构演进，详解 10 种 RAG 模式、框架选型对比、企业级实施路线图和智能客服实战案例
AI与智能
R
2
RAG 向量数据库选型实战：Pinecone vs Weaviate vs Milvus 深度对比
RAG 向量数据库选型指南：深度对比 Pinecone、Weaviate、Milvus 的架构、性能、定价与适用场景。附 LangChain 集成代码和真实成本计算公式，助你为 AI 应用选对检索引擎。
AI与智能
R
3
RAG 系统优化实战：检索精度与生成质量的平衡之道
RAG 系统检索不准怎么办？本文系统拆解 Query 处理、混合检索、重排序、分块策略、评估闭环五大环节，提供精度与延迟平衡决策框架，助你从评估不达标到全面通关。
AI与智能
R
4
RAG 查询路由实战：多向量库协同与智能检索分发
RAG 查询路由实战：系统对比逻辑路由、语义路由、EnsembleRetriever 三种方案，提供完整 LangChain 代码实现，包含 Semantic Caching、Tiered Retrieval 成本优化策略。
AI与智能
R
5
RAG 查询路由实战：多向量库协同与智能检索分发
RAG 查询路由实战指南：如何用 EnsembleRetriever 和 Semantic Router 实现多向量库协同检索。从逻辑路由到语义路由，再到 RRF 算法合并，完整代码示例与性能对比。
AI与智能
R
