构建生产级 RAG（检索增强生成）AI 系统是一个艰难的任务。
检索（Retrieval）
F) 数据切分（Chunking） - 如何对用于外部上下文的数据进行切分？
小块 vs. 大块。 滑动窗口（sliding window）或滚动窗口（tumbling window）进行切分。 在搜索时是检索父级或关联块，还是仅使用原始检索数据？
C) 选择嵌入模型（Choosing the embedding model）
用于将数据嵌入和查询外部上下文的模型选择。 考虑上下文化嵌入（Contextual embeddings）。
D) 向量数据库（Vector Database）
选择哪种数据库。 部署位置。 需要存储哪些元数据以便与嵌入向量关联。 索引策略。
E) 向量搜索（Vector Search）
相似度度量的选择。 查询路径的选择：先基于元数据还是先使用 ANN（近似最近邻）搜索？ 采用混合搜索（Hybrid Search）。
G) 规则与启发式（Heuristics） - 在检索过程中应用的业务规则。
时间权重（Time importance）。 重新排序（Reranking）。 处理重复上下文（多样性排序）。 来源检索（Source retrieval）。 条件性文档预处理。
生成（Generation）
A) LLM 选择（Choosing the right Large Language Model）
✅ 随着 LLM 的发展，这个问题变得越来越简单。当前，开源和专有 LLM 的性能正在趋同，主要的选择在于：
使用专有模型（Proprietary model）。 自行托管（Self-hosting）。
B) Prompt 设计（Prompt Engineering）
即使有了外部上下文，仍然需要精心设计 Prompt：
使系统生成符合预期的输出。 预防越狱（Jailbreak）场景。
别忘了一个容易被忽略的部分
H) 观察、评估、监控和安全性（Observing, Evaluating, Monitoring and Securing）
确保生产环境下的应用运行稳定、安全，并能持续优化！
