给自己家的 RAG 客服投毒：240 次提示注入实测，默认配置下 37.9% 成功
给自己的 RAG 客服 Agent 投毒，用 240 条贴近真实渠道的注入样本测出：默认配置下 37.9% 成功，对话型比文档型更危险，混在正常文本里的隐性注入成功率是显性的两倍。本文拆解越权读、越权写、外传三级的真实比例。
RAG
AI 工单客服实测：133 个真实工单，退换货场景 Agent 才是陷阱
133 个真实工单实测 Zendesk AI、Intercom Fin、自建 RAG 管线开源 Agent：退换货场景 Agent 自主执行错误率高出近一个数量级。核心结论是让模型说话、让代码办事。附确定性优先分层架构与成本账。
RAG 文档解析实测：110 份真实文档，九成失败卡在阅读顺序和表格而不是 OCR
110 份文档实测 MinerU、PP-StructureV3、Marker 与 pdfplumber：版式排序错误比 OCR 漏字更影响 RAG，合并单元格是共同软肋。附路由方案。
RAG重排序实战：加上Cross-Encoder，答案正确率从52.1%升到68.9%
22400篇文档、476个真实问题的实测：RAG加上rerank环节后答案正确率平均涨11.3个百分点，成本只增4元千次。本文对比Cross-Encoder、商用API与LLM列表式重排三条路线，附三秒测试法。
上下文工程实战：四层上下文结构，让Agent任务一次通过率从41%提升到89%
上下文工程正在取代提示词工程。本文用四层分层结构替代盲目堆长上下文，把Agent任务一次通过率从41%提到89%，token消耗反降34%，并附检索筛选三道闸、长上下文衰减实测与长会话压缩方案的完整对照数据。
LangChain vs LlamaIndex：RAG开发框架选型终极指南，别再选错了
LangChain 与 LlamaIndex 两大RAG框架系统对比。从架构设计、检索质量、易用性、部署生态四个维度，帮你做出正确的技术选型。
2026年AI搜索与研究工作流重构：从Perplexity到本地RAG的完整落地指南
AI搜索已经从实验室走向生产力。本文从通用AI搜索、学术研究工具、企业知识库和本地RAG四个维度，帮你搭建分层式AI研究系统，并给出成本对比和Prompt框架。
用 Ollama + Open WebUI 搭建本地 AI 知识库：零 API 费用打造企业私有知识助手
手把手教你用 Ollama + Open WebUI + ChromaDB 搭建企业级私有 AI 知识库。基于 Qwen2.5 72B 与 RAG 架构，实现零 API 费用、数据完全本地化的智能问答系统，包含部署步骤、性能压测与成本对比。
RAG系统实战：用 LlamaIndex + Chroma 搭建高精度企业知识库问答系统
本文手把手教你用LlamaIndex和Chroma搭建企业级RAG问答系统。涵盖文档加载、分块策略、向量检索、混合搜索与重排序等核心环节，附性能调优实战经验。
2026年企业级AI文档处理实战：LLM自动化合同审查、发票提取与合规报告实践
基于大语言模型的企业文档处理实战：合同审查、发票提取与合规报告自动化的技术架构、实施路径与ROI分析。
私有知识库 + AI 搜索增强：用 Perplexity API 搭建企业内部科研与决策助手
将 Perplexity 式搜索体验引入企业内部，打通 Confluence、SharePoint 与代码仓库，让 RAG 真正解决信息孤岛问题。