AI Agent 為何每次都要重學？從 Hindsight 看長期記憶怎麼設計
對話歷史與 RAG 各有擅長的問題，卻不一定能讓 Agent 跨工作階段整理偏好、事件與新證據。本文以 Hindsight 的 retain、recall、reflect 流程為例，說明長期記憶的設計方式、上手步驟與部署前必須面對的治理成本。
RAG
RAG
共 15 篇文章
把網頁變成可用上下文：Crawl4AI 如何用 Markdown、瀏覽器控制與安全邊界打造 LLM-ready 爬蟲
Crawl4AI 將動態網頁轉成適合 LLM、RAG 與資料管線使用的 Markdown 與結構化資料。本文從非同步爬取、內容降噪、深度爬取到 Docker server 的安全邊界，拆解如何把一次性抓取腳本導入成可觀測、可重跑的來源擷取層。
RAG 不一定要向量資料庫：PageIndex 如何讓模型沿著文件樹找答案
多數 RAG 系統把文件切成固定片段，再用向量相似度找上下文；PageIndex 改用階層式文件樹與 LLM 推理來定位內容。本文從架構、上手流程、成本與限制拆解這個 vectorless RAG 引擎，說明它適合哪些長篇專業文件，以及為什麼它不是所有場景的向量資料庫替代品。
別讓 RAG 卡在檢索層：Milvus 如何把向量搜尋做成可擴展的 AI 基礎設施
RAG 的瓶頸常常不在模型，而在檢索層是否能從本機原型一路長到生產規模。本文用 Milvus 的官方架構與 quickstart 拆解向量搜尋、metadata filtering、hybrid search，以及從 Milvus Lite 走向 Docker 與 Kubernetes 的實務路線。
LightRAG：把知識圖譜與向量檢索整合進 RAG 的實作指南
LightRAG 將知識圖譜、向量 embeddings 與多種查詢模式整合進同一個 RAG 工作流。本文從雙層索引、文件解析、部署安全到成本評估，整理一條可實作的導入路徑。
Meilisearch 不只是搜尋框：用 Hybrid Search 把 RAG 的檢索層做成可維護服務
Meilisearch 把全文搜尋、語意搜尋、Hybrid Search 與 conversational search 放進同一個 API 導向的搜尋引擎。本文從 Docker 上手、embedding pipeline、權限與評估方法出發，拆解它如何成為 AI 應用可維護的檢索層，也說明哪些情況不適合直接採用。
LlamaIndex 不只是 RAG：把私有資料接上 Agent 的實作框架
很多團隊已經會呼叫 LLM，卻仍卡在文件解析、資料切分、檢索、引用與 Agent 工作流程。LlamaIndex 把資料連接器、索引、Retriever、Query Engine 與 Workflow 放進同一個 Python 生態，讓私有資料真正成為可被 Agent 使用的上下文。本文從官方文件出發，拆解它的定位、上手方式、適用情境與不能忽略的限制。
讓 AI 記住但不把資料送上雲端：MemPalace 的 local-first 記憶系統拆解
AI Agent 的上下文視窗會重置，但團隊決策、程式碼脈絡與對話不該跟著消失。本文從 MemPalace 的 verbatim 儲存、分層檢索、可插拔後端與 MCP 整合出發，實際拆解如何在本機建立可搜尋、可恢復的 AI 記憶層，也整理安裝版本、非互動初始化、模型下載與資料權限等容易踩坑的細節。
從 RAG 到 Agent：Haystack 3.0 如何把 LLM 應用拆成可追蹤的 Pipeline
Haystack 3.0 以 component 與 Pipeline 為核心，將 RAG、Agent、檢索、工具呼叫與生成拆成可組合、可測試的資料流。本文從官方 source code 出發，帶你理解它的設計、最小 RAG 實作與適合的落地場景。
當資料不再只是批次：用 Pathway 建立可持續更新的即時 RAG 管線
RAG 系統最容易被低估的成本，不是第一次把文件塞進向量資料庫，而是之後如何持續接住變動中的資料。Pathway 把串流處理、即時分析與 LLM 管線放進同一個 Python 框架，讓我們可以用接近資料工程的方式建立會自動更新的 RAG 應用。
別再把 OCR 當成純文字辨識：PaddleOCR 如何把 PDF 變成 LLM 能用的資料
PaddleOCR 的價值不只在把圖片轉成文字，而是把 PDF 與影像中的版面、表格、公式與多語內容整理成 Markdown 或 JSON，成為 RAG 與 Agent 可以真正消化的輸入。本文從 PP-OCR、PP-StructureV3 到 PaddleOCR-VL，拆解它的架構、上手方式與導入限制。
AnythingLLM：把私有知識庫、RAG 與 AI Agent 收進一個可自架工作台
AnythingLLM 是一套以 local-first 為核心的開源 AI 工作台，將文件問答、RAG、AI Agent、多使用者權限與多種模型／向量資料庫整合在同一個可自架應用中。本文從架構、資料流程、部署選擇與隱私邊界，拆解它適合什麼團隊，以及導入時最容易忽略的工程細節。
MinerU：把 PDF 與 Office 文件轉成 LLM 可用的 Markdown／JSON
文件進入 RAG 或 Agent 工作流前，真正棘手的往往不是向量資料庫，而是如何保留版面、表格、公式與圖片語意。MinerU 將 PDF、圖片、DOCX、PPTX、XLSX 解析成 Markdown 與 JSON，並提供 CLI、API、WebUI 與多服務路由，適合作為文件 AI 管線的前處理層。
把本地模型變成可用的 AI 後端：PrivateGPT 1.0 的 API-first 實作路線
PrivateGPT 1.0 不是模型執行器，而是一層 API-first 的 private AI application backend：把本地 inference server 與 RAG、引用、工具、MCP、資料庫查詢及前端應用連接起來。本文拆解其架構、安裝路徑、導入順序與安全邊界。
Dify：用視覺化方式打造企業級 AI Agent 工作流，從原型到生產只需一天
Dify 讓非技術人員也能透過拖曳元件建立完整的 AI Agent 工作流，從 RAG 檢索、多步驟決策到 API 串接一次搞定。這篇文章帶你了解 Dify 的核心架構、實際上手步驟，以及它如何改變企業導入 AI 的方式。