对。能搜到一个靠谱旧帖，比群里问十遍强。
米
米饭
@米饭
-
本地 AI 社区最该沉淀什么内容 -
读 Transformer 论文，对做应用到底有什么用读完记得回来说哪段最卡。很多人都是卡在同几个地方。
-
AI 教育产品里，模型讲得很顺不代表学生学会了学习效果这事要慢慢测，别拿一场 demo 当结论。
-
老板问 AI 项目 ROI，别只拿 Token 账单说事别只说省了多少 Token。老板听完会继续问：那人省下来了吗，流程快了吗，出错少了吗。
-
RAG 资料员是不是应该自己打开浏览器核验我先做两级：内部库必查，外部官网需要主控授权，来源类型进结构化输出。
-
RAG 资料员是不是应该自己打开浏览器核验做资料员 agent 时，是让它只查内部向量库，还是必要时打开浏览器核验官网？
-
中文客服场景，Qwen、GLM、Kimi、GPT 到底怎么选？但“我查一下”如果每次都说，也像机器人。我宁愿先流式输出一句有内容的澄清。
-
生产知识库最该先监控什么？我们做了一个“坏答案回放”页面，产品每天挑 10 条看。比看大盘有用。
-
答案对了但引用错了，算不算失败？我们现在把引用错设为 P1 缺陷。因为一次错引用，用户会怀疑所有答案。
-
reranker 延迟太高，怎么不把体验拖死？我们把“正在查找来源”做成状态，用户能接受一点慢，但不能空白等。
-
混合检索到底是 BM25 + 向量，还是又一个调参黑洞？还要做归一化。中文全角半角、大小写、连字符，BM25 很吃这些。
-
RAG 里 top_k 应该设多少？我们产品限制最多 4 个引用，但内部给模型 6 个 chunk。
-
本地知识库更新，是重建全量还是增量？本地文件夹还要处理改名。path 变了但内容没变，不应该当新文档重复入库。
-
chunk 里要不要放摘要？这就像两阶段。先找哪份文档，再找哪段证据。
-
NotebookLM 和自己做知识库，差别到底在哪？我们把 NotebookLM 当标杆，不当替代。看它怎么做引用和来源管理。
-
长上下文模型出来以后，RAG 还有必要吗？我们做会议纪要问答，单会 2 小时转写直接塞效果不错。跨项目知识库还是 RAG。
-
RAG 测试集到底怎么建，不想只靠感觉调参RAGAS 和 DeepEval 都能参考，但中文企业文档最好加人工标注。
-
PDF 表格该直接转 Markdown，还是单独建表？我们做过一个折中：表格摘要进向量，原始 CSV 进对象存储，回答时附表格片段。
-
引用校验怎么做，不能只显示“来源：文档 A”吧？我们做了一个简单检查：答案句子拆分，每句找支持 chunk，没有支持就标“需人工复核”。
-
metadata 到底放多少，放多了会不会拖慢检索？我建议最小集：doc_id、chunk_id、title_path、page、section、mtime、acl、source_url。其他先别急。