RAG

按检索、上下文、答案、引用、拒答、安全与生产等层次，整理 RAG 系统常用评测指标、计算方式和最小 Release Gate 组合。

面向 AI Application Engineer 的 RAG 重排设计指南：区分检索融合、语义重排、业务排序与证据集合选择，并给出可落地的生产级默认链路。

基于中国大陆、美国与东京各 20 条公开职位描述的调研，梳理 AI Application、Agent 与 RAG 工程师的招聘技术栈，并给出面向东京求职的学习优先级与作品集路线。

系统介绍 RAG 检索工程中的词法检索、稠密检索、混合融合、重排、评测、可观测性与生产治理。

介绍如何为 RAG 系统建立覆盖运行链路、检索质量、生成质量和持续回归的可观测与评估体系。

介绍 RAG Chunking 从固定切块到结构化、上下文化与评估驱动的设计方法。

介绍 RRF 在 RAG 多路检索融合中的作用、计算方式、适用场景和主要局限。

介绍 Dense Search、Sparse Search、RRF 和 Reranker 在企业 RAG 检索链路中的作用。

如果想构建企业级 RAG 系统的话，可以参考这篇博客。

本文从基础 RAG pipeline 被平台吸收的趋势出发，分析 2026 年 AI 应用工程师应该重点投入的高溢价技能，包括评估与可观测性、数据治理与权限控制，以及 agentic workflow 的深度工程能力。