# RAG 与搜索 学习检索增强生成、向量搜索和重排序，适合知识库与搜索应用开发者。 - 所属：[检索与知识应用]() - 网站：[https://oplearnx.com/topics/rag-search-retrieval]() ## 推荐学习顺序 1. [LingCore/WinShun（Win顺）]()（项目 · 入门）：一个免费开源的 Windows 快速搜索与启动器，双击 Ctrl 唤起。功能包括拼音文件搜索、对 Word/Excel/PDF 的全文搜索、剪贴板历史（替代 Win\+V）、对话框搜索、任务栏搜索、插件，以及对接 AI 助手的 MCP 服务器。README 将其定位为 Everything、Listary 的替代品，标签显示使用 C\+\+/Qt6，支持 Windows 10 与 11。 2. [yjid/kensaku]()（项目 · 入门）：这是一个免费开源的本地文件启动器与搜索工具，支持对文件名、文档、代码和截图内容进行全文、OCR 与语义搜索，并可通过 MCP 供代理访问；所有数据不离开本机。README 称搜索 10 万个文件名约需 1 毫秒、占用约 12 MB 内存。标签包含 Rust、Tauri、Windows、隐私等。适合关注本地优先桌面搜索、希望让 AI 代理检索本机文件的人阅读。 3. [Mistral OCR 4：面向文档智能的 SOTA OCR]()（博客 · 入门）：这是 Mistral 于 2026 年 6 月 23 日发布的博客，介绍 OCR 4 文档解析模型。该模型在提取文本之外还提供边界框、区块分类和行内置信度分数，支持 170 种语言、可单容器自托管部署，定位于企业搜索、RAG 和智能体工作流的文档摄取，可通过 API 或 Document AI 使用，文中称其在人工评估和基准测试中优于领先的 OCR 系统。 4. [cdcailf/cjkfold]()（项目 · 进阶）：这是一个 Python 库，用于把形近的 CJK 字形（康熙部首、CJK 部首补充等）折叠回常见汉字，使从 PDF 中提取的文本能正常匹配。README 举例说明「⻆」「⾊」等字符渲染上像「角」「色」但实际码位不同，导致字符串包含判断失败；提供 fold 函数进行归一化，并说明无运行时依赖、纯函数、支持 Python 3.9\+。仓库还附有一篇关于 PDF 中文抽取后无法检索的中文背景文章，并提到建立在其上的 corpusfold 项目。 5. [ChromaDB：Python 中的嵌入与向量数据库]()（教程 · 进阶）：Real Python 的教程，作者 Harrison Hoffman，阅读时长约 1 小时 7 分钟，难度标注为高级，配套有 17 课时的相关课程。内容涵盖向量基础与相似度、词嵌入与文本嵌入、ChromaDB 这一开源向量数据库的入门、向集合添加文档、查询与过滤更新删除，最后以一个给大语言模型提供上下文的实例串联全流程。适合想用 Python 搭建向量检索与 LLM 上下文应用的开发者阅读。 6. [Granite Embedding Multilingual R2：Apache 2.0 开源多语言嵌入模型，32K 上下文，sub-100M 检索质量最佳]()（博客 · 进阶）：IBM Granite 团队发布的两个基于 ModernBERT 的 Apache 2.0 多语言嵌入模型介绍：97M 参数紧凑版在 MTEB Multilingual Retrieval 上得分 60.3，311M 完整版得分 65.2（500M 参数以下开源模型中排名第二）并支持 Matryoshka。两者覆盖 200 多种语言、在 52 种语言上调优、支持 32K token 上下文（为 R1 的 64 倍），并新增 9 种编程语言的代码检索。文中还涉及与 R1 的差异、训练过程、基准结果及部署方式等。 7. [Ettin Reranker 家族介绍]()（博客 · 进阶）：Tom Aarsen 发布的文章，推出六个基于 Ettin ModernBERT 编码器的 Sentence Transformers CrossEncoder 重排模型，参数量分别为 17M、32M、68M、150M、400M 和 1B，并公开训练数据与完整训练方法。模型采用蒸馏训练：在以 cross-encoder/ettin-reranker-v1-data 上 mixedbread-ai/mxbai-rerank-large-v2 的分数做逐点 MSE，该数据集是 lightonai/embeddings-pre-training 的子集与 lightonai/embeddings-fine-tuning 中重排子集的混合。文章还包含与多个嵌入模型在 MTEB\(eng, v2\) Retrieval 上的搭配结果、使用说明和训练说明。 8. [AI 工程实验室（24 周 AI 工程自学课程）]()（课程 · 入门）：Zorost Intelligence AI Lab 发布的一套免费、自定进度的 24 周 AI 工程课程仓库，采用 MIT 许可，无需注册。内容覆盖 Python、机器学习、LLM、RAG、微调、Agent 与 MCP，以及 Azure、Vertex、Bedrock 和 Databricks 等平台，包含 43 个可运行的 notebook 和一个贯穿全程的案例研究。README 提供克隆安装步骤，并指引编程或 AI 新手先阅读 START-HERE.md。 9. [上下文工程]()（课程 · 进阶）：DeepLearning.AI 上的一门中级课程“Context Engineering”，与 Chroma 合作制作，讲师为 Jeff Huber 和 Drew Breunig。课程共 37 个视频、8 个代码示例、6 次评分作业，时长约 18 小时 56 分，内容涵盖智能体搜索、上下文管理（裁剪、压缩、草稿板）和智能体记忆。材料显示该课程于 2026 年 10 月 26 日更新，证书需 PRO 会员。 10. [检索增强生成：基础思想]()（书籍 · 进阶）：Ben Auffarth 撰写、Manning Publications 出版的书籍，共 438 页，预计出版日期为 2026-12-15，尚未出版，目前在 Manning MEAP 目录中连载。书中按论文逐一梳理 RAG 背后的一系列技术研究，介绍 RAG 2020 年作为可训练神经架构提出后发展出的索引、检索、纠错、压缩与评估等方法，并说明各项创新分别解决什么问题，以及如何自行实现主要 RAG 架构。 11. [你的冰箱也是合格的支付设备——Eleonora Drykina 与 Nina Žižakić，In The Pocket]()（博客 · 进阶）：这是一场技术演讲录像，两位讲者介绍为一家匿名比利时支付客户构建的 RAG 问答助手，其资料库约含 270 份 PDF、6000 页，关键信息大量存在于表格中。索引流程保留章节路径与分块顺序以便重建较长段落，并把表格转为 CSV 同时保留标题与取值的对应关系；稠密检索结合 BM25 使 63 个问题上的检索命中率从 92% 提升到 97%。服务端智能体可通过四种工具扩大检索范围，配有防止超长规则手册淹没上下文的限制，中位作答时间 38 秒，讲者还谈到流式 Markdown 与来源卡片分离、轨迹追踪、引用核查和 Promptfoo 评测，以及早期内部试用覆盖 34 名用户、约 900 个问题。 12. [Bridgewater 如何把一亿份文档变成优势——Sam Green 与 Aaron Linsky，Bridgewater]()（博客 · 进阶）：Bridgewater Associates 的应用 AI 团队负责人 Sam Green 和产品工程负责人 Aaron Linsky 介绍其名为 Vault 的系统：汇集来自 135 个外部来源的一亿多份文档以及公司自身的备忘录和会议记录，经清洗、权限化和按内部本体标注。演讲给出三条经验：人和智能体对搜索的需求不同、最大的收益来自同时服务两者的单一工具、真正的目标是让智能体主动把值得关注的内容带给投资人，并提到自建基准使 precision at 10 从约 60% 提升到 90% 以上。 13. [在 Mac 上用本地 AI 模型构建应用]()（书籍 · 进阶）：这是 Manning Publications 出版的书，作者 Keiji Kamigusa，出版日期 2026-09-28，296 页，ISBN 9781633433700，主题词为 AI。简介称其以在任意近期 Mac（从基础款 Mac mini 到 Mac Studio）上构建语音聊天机器人为逐步实践项目，串联音频采集、语音转写与语言模型推理三项本地技术，涵盖 Homebrew 配置、下载本地大模型等内容，主题是本地运行 AI 带来的隐私与免订阅优势。适合想在 Mac 上做本地 AI 应用开发的读者阅读。 14. [构建带端侧记忆的 AI 助手]()（课程 · 进阶）：DeepLearning.AI 平台上的课程页面。课程指出依赖云端记忆的 AI 应用需要联网并把数据发往远程服务器，而本课程教授端侧替代方案：学习者构建把文本、语音和图像等经历以向量形式存储、按语义检索的记忆系统，并让助手能从少量照片中识别新物体而无需重新训练模型。课程标注为中级，时长 1 小时 4 分钟，含 8 个视频课、5 个代码示例和 1 个评分作业，讲师为 Dylan Couzon，页面显示更新日期为 2026 年 10 月 15 日。适合想学习本地向量检索与离线多模态助手实现的开发者。 15. [Show HN：为 macOS 上每张照片和每帧视频提供 AI 搜索]()（项目 · 进阶）：这是一个 macOS 应用的 GitHub 仓库，项目名为 SCM（Screen Memories），定位为多模态视觉记忆智能体。它使用在 Mac 本地运行的视觉模型，支持用自然语言检索照片、截图、视频和音频，并可对视频按场景切分定位到具体镜头，同时提供 OCR 文字搜索和基于 Whisper 的语音台词搜索。项目还说明支持监视文件夹自动导入、内容哈希去重和后台重新嵌入，媒体文件不上传，保持本地离线运行。 16. [FengZhenfei/carrel]()（项目 · 进阶）：这是一个自托管的 AI 代理知识库项目，提出“本体增强生成”（Ontology-Augmented Generation）的思路，自动化完成文档解析、索引和检索，并可选构建知识图谱。代理通过 API 获取原始段落、图片和相关事实后自行生成答案，配套 Web 控制台管理知识库与处理任务，并附带可接入 Claude Code、Codex 的检索技能。技术标签涉及 MinerU、Neo4j、OpenSearch、Qdrant 等。 17. [shuyu-labs/transwork]()（项目 · 进阶）：GitHub 项目 TransWork 的页面，定位为企业级桌面 AI Agent 工作台，把技能（Skills）、知识库与数字员工放在同一处协作。README 列出 Docker Compose 一键私有部署、内置免费 5 席位授权、桌面客户端与浏览器版 WebAgent 双入口、用户/角色/资源授权与审计日志等管控功能，以及集中配置模型密钥并统计用量的统一网关。页面附有主界面、AI 员工目录、技能中心等截图及在线演示地址。适合关注企业内部部署 AI Agent 平台的人。 18. [KKKKhazix/AIHOT]()（项目 · 进阶）：AIHOT 是一个能自动搜集热点并生成日报的网站框架，用户替换信源和精选标准后即可搭建自己的行业热点站。项目使用 Node.js 24、PostgreSQL 17 与 Docker Compose，标签涉及 RSS、新闻聚合、LLM、MCP 和自托管，并提供线上站点 aihot.news。 19. [NVIDIA Agent Toolkit 扩展，将企业智能体扎根于公司数据]()（博客 · 进阶）：英伟达博客文章，介绍开源 NVIDIA Agent Toolkit 的扩展。文中列出该工具包的组成：含 CUDA-X 库和新 Auto-Ontology 库的 Agent Knowledge Foundation、Nemotron Retriever 与 Kumo 系列开放模型、OpenShell 安全运行时、NemoClaw 安全蓝图，以及 NeMo Relay、NeMo Compass 等工具；并说明企业可在不迁移数据、不重建工作流、不改治理控制的前提下将公司数据转化为智能体可用的信息。 20. [LitPivot：在文献图景中通过动态语境化发展研究想法]()（博客 · 进阶）：文章介绍 AllenAI 与宾夕法尼亚大学合作开发的 LitPivot 系统，帮助研究者应对因读到已有工作而改变研究方向的“文献引发的转向”。系统使用通过 Asta Paper Finder 检索到的论文，围绕提案中正在编辑的部分组织文献，给出有选中研究摘录支持的批评，并提出研究者可接受、修改或拒绝的修订建议。文中说明该系统面向早期研究构思，在一项 17 名研究者的研究中领域专家对研究进行了评分。 21. [不要让模型自己编造数字——Vinoo Ganesh，Kepler]()（博客 · 进阶）：Kepler 首席执行官 Vinoo Ganesh（此前任职于 Palantir 和 Citadel）介绍该公司架构如何让模型只引用数字而不写出数字：检索找到来源，确定性代码完成计算，后处理过滤器清除任何无法核实的数字。内容还涉及基于 3000 多万份 SEC 文件构建的引用登记库、在 turbopuffer 上的混合检索与重排序、租户隔离，以及普通 RAG 在其评测中产生大量错误数字的问题。 22. [受版本控制的搜索：过去的网络样貌——Exa 的 Ryan Ahern]()（博客 · 进阶）：这是一个演讲视频，Exa 的 Ryan Ahern 介绍 Exa Snapshot 功能，使智能体能够检索任意历史日期下网页当时的样子。内容涵盖智能体成为主要搜索方时搜索质量的重要性、快照结果与实时结果的对比，以及团队如何用时点搜索构建和测试预测信号并避免过拟合；视频附有分段时间轴。 23. [你的 AI 分析师能保守秘密吗？——Aaron Linsky（Bridgewater）与 Nikhil Benesch（turbopuffer）]()（博客 · 深入）：Bridgewater Associates 产品工程负责人 Aaron Linsky 说明 Vault 中一亿份带有各自权限的文档为何使其最初的搜索方案失效；turbopuffer 首席技术官 Nikhil Benesch 讲解后置过滤会损失召回、前置过滤太慢，而在聚类向量索引上做“原生过滤”可兼得两者，在 4 亿向量上实现约 120 毫秒的 P90 搜索延迟。内容还涉及权限建模、向量索引原理以及在实际中编写权限过滤器。 24. [AI 推荐系统]()（书籍 · 进阶）：Kim Falk 撰写、Manning Publications 出版的推荐系统书籍，共 375 页，预计出版日期为 2027-05-15，尚未出版。内容涉及由 LLM、agent 与上下文工程驱动的新一代推荐系统，从推荐系统入门讲到评估与生产环境部署，涵盖数据工程、性能优化、RAG 等工具，以及算法的强项与盲区。简介面向开发者，说明如何针对业务需求定制和改进系统输出。 25. [犹他大学：数据挖掘（2026 秋）]()（课程 · 进阶）：这是犹他大学数据挖掘课程（课程编号 CS 5140/6140、DS 4140）2026 年秋季的课程主页，授课教师为 Jeff Phillips，并列出三名助教的答疑时间。课程在周二、周四 10:45–12:05 于 GC 1900 上课，讲座会发布并归档在 YouTube 上。页面提供教学大纲、项目、学习成果、参考书目、视频和先修要求等链接，并给出逐次课的日程表，主题包括统计现象、相似度（语言嵌入、度量距离、HNSW 近似最近邻、Jaccard 与 Min-Hashing、LSH）、层次聚类与 K-Means 等，每讲标注了对应阅读材料和项目节点。适合想了解数据挖掘课程主题与资料安排的人阅读。 26. [Stanford CS329Z：AI 智能体工程（2026 秋）]()（课程 · 进阶）：斯坦福大学 CS329Z“Engineering AI Agents”2026 年秋季课程主页，授课教师包括 Diyi Yang、Michael Ryan、John Yang 等。课程围绕从单体语言模型转向由 LLM、检索器、工具和优化器等多个组件构成的复合 AI 系统，讲授如何选择问题、拆解问题、选择组件、收集与整理数据、构建评估以及权衡设计取舍；学生先从零实现 RAG、工具调用、智能体循环等核心组件，再学习 DSPy 等框架的抽象，并通过两次作业和一个整季项目实践构建、优化与评估智能体系统。课程周一、周三 13:30–14:50 在 Skilling Auditorium 上课。 27. [Stanford CS224V：智能体式 AI（2026 秋）]()（课程 · 深入）：斯坦福大学 CS224V“Agentic AI”2026 年秋季课程日程页，按日期列出每次课的主题、说明、相关事件与截止时间。已列出的内容包括 9/23 课程导论（如何把会幻觉的 LLM 变成可靠智能体、面向读写与检索的 LLM 算法、可问责 AI）、9/28 知识整理（STORM/Co-STORM 系统，作业 1 发布）、9/30 研究项目选题（AOS 架构、领域智能体等）、10/5 可问责 AI（SMT 约束式检索，SatIR、VERDICT 系统，作业 1 截止）以及 10/7 学生项目选题等。 28. [英伟达推进媒体领域的智能体安全，从欧洲公共广播到全球内容生产]()（博客 · 入门）：这是 NVIDIA 博客文章，介绍在柏林一场由 Adobe、Bertelsmann、NVIDIA 和 UFA 合作举办的创意产业活动上公布的进展。主要内容是欧洲广播联盟（EBU）与 NVIDIA 合作，在去年提出的主权标准基础上引入主权云服务商、开放模型开发者和系统集成商，界定广播机构部署智能体时的数据、基础设施、模型与安全控制方式；同时 Adobe Frame.io 借助 NVIDIA GPU 加速视频智能体搜索，供德国影视制作公司 UFA 使用。适合关注媒体行业智能体部署与数据主权议题的读者。 --- 中文标题与摘要由模型根据原文生成，以原文为准。 来源：LearnMap · 学径（https://oplearnx.com）