AI Agent 为何每次都要重学？从 Hindsight 看长期记忆怎么设计
对话历史与 RAG 各有擅长的问题，却不一定能让 Agent 跨工作阶段整理偏好、事件与新证据。本文以 Hindsight 的 retain、recall、reflect 流程为例，说明长期记忆的设计方式、上手步骤与部署前必须面对的治理成本。
RAG
RAG
共 15 篇文章
把网页变成可用上下文：Crawl4AI 如何用 Markdown、浏览器控制与安全边界打造 LLM-ready 爬虫
Crawl4AI 将动态网页转成适合 LLM、RAG 与资料管线使用的 Markdown 与结构化资料。本文从非同步爬取、内容降噪、深度爬取到 Docker server 的安全边界，拆解如何把一次性抓取脚本导入成可观测、可重跑的来源撷取层。
RAG 不一定要向量资料库：PageIndex 如何让模型沿着文件树找答案
多数 RAG 系统把文件切成固定片段，再用向量相似度找上下文；PageIndex 改用阶层式文件树与 LLM 推理来定位内容。本文从架构、上手流程、成本与限制拆解这个 vectorless RAG 引擎，说明它适合哪些长篇专业文件，以及为什么它不是所有场景的向量资料库替代品。
别让 RAG 卡在检索层：Milvus 如何把向量搜寻做成可扩展的 AI 基础设施
RAG 的瓶颈常常不在模型，而在检索层是否能从本机原型一路长到生产规模。本文用 Milvus 的官方架构与 quickstart 拆解向量搜寻、metadata filtering、hybrid search，以及从 Milvus Lite 走向 Docker 与 Kubernetes 的实务路线。
LightRAG：把知识图谱与向量检索整合进 RAG 的实作指南
LightRAG 将知识图谱、向量 embeddings 与多种查询模式整合进同一个 RAG 工作流。本文从双层索引、文档解析、部署安全到成本评估，整理一条可实作的导入路径。
Meilisearch 不只是搜寻框：用 Hybrid Search 把 RAG 的检索层做成可维护服务
Meilisearch 把全文搜寻、语意搜寻、Hybrid Search 与 conversational search 放进同一个 API 导向的搜寻引擎。本文从 Docker 上手、embedding pipeline、权限与评估方法出发，拆解它如何成为 AI 应用可维护的检索层，也说明哪些情况不适合直接采用。
LlamaIndex 不只是 RAG：把私有资料接上 Agent 的实作框架
很多团队已经会呼叫 LLM，却仍卡在文件解析、资料切分、检索、引用与 Agent 工作流程。LlamaIndex 把资料连接器、索引、Retriever、Query Engine 与 Workflow 放进同一个 Python 生态，让私有资料真正成为可被 Agent 使用的上下文。本文从官方文件出发，拆解它的定位、上手方式、适用情境与不能忽略的限制。
让 AI 记住但不把资料送上云端：MemPalace 的 local-first 记忆系统拆解
AI Agent 的上下文视窗会重置，但团队决策、程式码脉络与对话不该跟着消失。本文从 MemPalace 的 verbatim 储存、分层检索、可插拔后端与 MCP 整合出发，实际拆解如何在本机建立可搜寻、可恢复的 AI 记忆层，也整理安装版本、非互动初始化、模型下载与资料权限等容易踩坑的细节。
从 RAG 到 Agent：Haystack 3.0 如何把 LLM 应用拆成可追踪的 Pipeline
Haystack 3.0 以 component 与 Pipeline 为核心，将 RAG、Agent、检索、工具呼叫与生成拆成可组合、可测试的资料流。本文从官方 source code 出发，带你理解它的设计、最小 RAG 实作与适合的落地场景。
当资料不再只是批次：用 Pathway 建立可持续更新的即时 RAG 管线
RAG 系统最容易被低估的成本，不是第一次把文件塞进向量资料库，而是之后如何持续接住变动中的资料。Pathway 把串流处理、即时分析与 LLM 管线放进同一个 Python 框架，让我们可以用接近资料工程的方式建立会自动更新的 RAG 应用。
别再把 OCR 当成纯文字辨识：PaddleOCR 如何把 PDF 变成 LLM 能用的资料
PaddleOCR 的价值不只在把图片转成文字，而是把 PDF 与影像中的版面、表格、公式与多语内容整理成 Markdown 或 JSON，成为 RAG 与 Agent 可以真正消化的输入。本文从 PP-OCR、PP-StructureV3 到 PaddleOCR-VL，拆解它的架构、上手方式与导入限制。
AnythingLLM：把私有知识库、RAG 与 AI Agent 收进一个可自架工作台
AnythingLLM 是一套以 local-first 为核心的开源 AI 工作台，将文件问答、RAG、AI Agent、多使用者权限与多种模型／向量资料库整合在同一个可自架应用中。本文从架构、资料流程、部署选择与隐私边界，拆解它适合什么团队，以及导入时最容易忽略的工程细节。
MinerU：把 PDF 与 Office 文件转成 LLM 可用的 Markdown／JSON
文件进入 RAG 或 Agent 工作流前，真正棘手的往往不是向量资料库，而是如何保留版面、表格、公式与图片语意。MinerU 将 PDF、图片、DOCX、PPTX、XLSX 解析成 Markdown 与 JSON，并提供 CLI、API、WebUI 与多服务路由，适合作为文件 AI 管线的前处理层。
把本地模型变成可用的 AI 后端：PrivateGPT 1.0 的 API-first 实作路线
PrivateGPT 1.0 不是模型执行器，而是一层 API-first 的 private AI application backend：把本地 inference server 与 RAG、引用、工具、MCP、资料库查询及前端应用连接起来。本文拆解其架构、安装路径、导入顺序与安全边界。
Dify：用视觉化方式打造企业级 AI Agent 工作流，从原型到生产只需一天
Dify 让非技术人员也能透过拖曳元件建立完整的 AI Agent 工作流，从 RAG 检索、多步骤决策到 API 串接一次搞定。这篇文章带你了解 Dify 的核心架构、实际上手步骤，以及它如何改变企业导入 AI 的方式。