MCP 与 RAG 结合：Tool 即知识的边界
RAG 把知识喂给模型，MCP 把能力交给模型。两者结合：查询即检索（Tool 即知识）、边检索边思考、动态知识接入——知识型 Agent 的新架构。
RAG
RAG 评测：离线指标与线上效果的鸿沟
离线评测 recall@5 到 90%，上线后用户还是说’答非所问’？检索质量、生成质量、端到端三个层面，RAG 评测的真实方法与鸿沟分析。
RAG 个人知识库实战：weknora + MCP 构建私有技术问答助手
基于 weknora + MCP 构建个人私有技术知识库 RAG 问答系统的完整实战，涵盖知识库搭建、文档处理、向量化、检索优化、MCP 接入、效果评估，以及在个人技术知识管理中的应用和踩坑经验。
技术人知识体系搭建：博客+知识库+AI 问答的三位一体方案
技术人个人知识体系的完整搭建方案，博客（输出）+ 知识库（沉淀）+ AI 问答（检索）三位一体，涵盖工具选型、工作流设计、内容运营、AI 增强，以及从0到1搭建个人技术品牌的实战经验。
Agentic RAG：Agent 如何用工具迭代检索
传统 RAG 是’一次检索定生死’，Agentic RAG 让模型自己决定’搜什么、搜几次、要不要换关键词’。同一个知识库，从 55% 准确率提到 78%，代价是延迟和成本。
个人知识库搭建实践：Obsidian vs weknora vs Notion 选型与迁移
个人知识库的搭建实践，从工具选型（Obsidian vs weknora vs Notion）到知识体系构建、笔记方法论、AI 增强，以及从 Notion 迁移到 weknora 的完整经验，打造技术人的第二大脑。
职位搜索算法优化：从 BM25 到向量检索的混合召回方案
职位搜索算法从传统 BM25 到向量检索的混合召回方案优化，涵盖语义匹配、向量召回、重排序，解决同义词、语义不匹配等传统搜索痛点，搜索点击率提升 35%。
RAG 工程化：从切分到重排的调优实录
RAG demo 人人都能做，生产级 RAG 到处都是坑：切分粒度、召回策略、重排、上下文压缩。用招聘知识库做案例，把检索准确率从 55% 调到 85% 的完整记录。
向量数据库选型：Milvus vs Pinecone vs Weaviate vs pgvector
四款主流向量数据库的深度对比，Milvus、Pinecone、Weaviate、pgvector 的架构、性能、功能、部署方式、成本，以及在 RAG 场景下的选型实践和压测数据。
个人知识库搭建：从 Markdown 到 RAG 检索
笔记记了十年，要用时找不到。用 Obsidian + 本地知识库 + RAG 检索，把碎片笔记变成可问答的个人知识库，让 AI 替你翻笔记。