前言AI 时代人只分两种一种是被噪音吞噬的“信息流食者”另一种是驾驭 AI、以思想为利刃的“未来拓荒者”。今天必须给大家安利一篇 latent.space 中信息密度爆炸的文章。作者是 Jeff Huber顶级开源向量数据库 Chroma 的创始人和 CEO。先介绍下Chroma如果你在玩 AI 应用特别是 RAG那你不可能不知道它。Chroma 凭借其超赞的开发者体验pip install就能跑还要啥自行车 已经成为无数 AI 项目的首选月下载量超过 500 万GitHub star 数 22k可以说是向量数据库领域的开源霸主。连大名鼎鼎的 Voyager 论文里用的都是它。最近Jeff Huber 抛出了一个极其劲爆的观点“RAG 已死”。什么鬼我们辛辛苦苦学了半天的 RAG怎么说死就死了别急Jeff 接下来给出了他的新答案上下文工程Context Engineering为王。随着大模型上下文窗口越来越长AI 的工作负载也从简单的聊天机器人转向了更有影响力的 Agent那个曾经被我们忽视的“上下文窗口”现在成了兵家必争之地。这篇文章就是 Jeff 对这个问题的深度思考和实战总结。干货满满准备好你的小本本我们发车了⚡️ 先上结论Jeff Huber 的 5 个独家检索秘诀Jeff 开篇就直接甩出了 5 个搞检索Retrieval的独家秘诀全是硬菜朋友们拿好不谢✅别再说你做的是 “RAG” 了咱们要做的是“检索”Retrieval。把基础概念搞清楚密集检索dense、词法检索lexical、过滤filters、重排re-rank、组装assembly、评估循环eval loop这才是专业的玩法。✅第一阶段用混合召回hybrid recall搞定。别怕给 LLM 太多候选内容它又不是人阅读能力超强。先捞个 200-300 个候选结果出来完全没问题。✅把上下文context组装起来之前一定要先重排re-rank这是铁律能极大提升最终生成质量。✅尊重“上下文腐烂”Context Rot这个事实。精简、结构化的上下文远比塞满整个窗口的冗长上下文效果好得多。后面会详细讲这个。✅跟团队一起搞个小小的黄金数据集gold set。然后把它接入到你的 CI 和 Dashboard 里持续评估这比你瞎猜强一万倍。 一个完整的上下文工程流水线Jeff 不光给出了心法还给了一套完整的操作流程图从数据摄入到查询再到外循环优化非常清晰。数据摄入Ingest•解析 分块 (Parse chunk):要懂你的业务领域比如按标题、代码块、表格来切分。•丰富信息 (Enrich):加上标题、锚点、符号、元数据这些。•可选LLM “块摘要” (LLM “chunk summaries”):用自然语言给代码或者 API 写个总结。•嵌入 (Embeddings):生成密集向量dense也可以加上稀疏信号sparse signals。•写入数据库 (Write to DB):把文本、向量、元数据都存进去。查询Query•第一阶段混合检索 (First-stage hybrid):向量 词法/正则 元数据过滤一把梭。•候选池 (Candidate pool):大概捞个 100-300 个候选。•重排 (Re-rank):用 LLM 或者 cross-encoder 模型来重排选出最好的 20-40 个。•上下文组装 (Context assembly):• 指令/系统提示system prompt放最前面。• 去重合并相似内容。• 来源多样化。• 严格控制 Token 上限。外循环优化Outer loop•缓存/成本控制 (Cache/cost guardrails):别把钱烧光了。•基于黄金集做生成式基准测试 (Generative benchmarking):后面会讲这个神器。•错误分析 (Error analysis):回过头去重新分块、调整过滤器或者重排的 prompt。•记忆/压缩 (Memory/compaction):把交互历史总结成可检索的事实。为什么要做 Chroma从“炼金术”到“工程学”聊到为啥要创办 ChromaJeff 的回答很有意思。他说在 AI 领域搞个 demo 很容易但要做一个生产级的、可靠的系统就难于上青天。从 demo 到生产的鸿沟感觉不像是在搞工程更像是在搞炼金术alchemy。他提到了一个经典的 XKCD 梗一个人站在一堆冒着热气的垃圾上别人问他“这是你的数据系统” 他说“是啊。” “你怎么知道它好不好用怎么改进它” “哦就搅和搅和看看会不会变好一点。” 哈哈是不是画面感十足Jeff 觉得这太扯了。所以 Chroma 的使命就是想帮助开发者用 AI 构建生产级应用让这个过程更像工程而不是炼金术。别再傻傻分不清信息检索 vs. 搜索Jeff 认为我们正在为 AI 构建的是“现代搜索基础设施”modern search infrastructure for AI。这个“为 AI” for AI体现在四个不同层面工具技术不同AI 时代的搜索工具和传统搜索不一样了。工作负载不同以前搜索结果的最后一公里是人来完成的你在一堆蓝色链接里点来点去。现在是 LLM 在消费这些结果。开发者不同构建搜索的开发者画像变了。消费者不同人类只能消化 10 个蓝色链接但 LLM 可以消化成千上万个。这个洞察太关键了消费者的改变从根本上决定了系统的设计。核心痛点烦人的“上下文腐烂”Context Rot这部分是全文的精华很多模型厂商都在吹牛搞各种“大海捞针”needle in a haystack测试图表做得一片绿告诉你他们的模型在百万 Token 上下文里也能完美利用。但 Jeff 和他的团队通过研究发现了一个残酷的现实上下文腐烂Context Rot。简单说就是当你往上下文窗口里塞的 Token 越来越多时模型的性能并不会保持不变反而会下降。模型会开始忽略一些指令推理能力也会变差。Chroma 最近发布的技术报告《Context Rot》就详细阐述了这个问题。他们发现即使是市面上最强的模型随着上下文长度增加性能都会出现明显衰减。所以朋友们别再迷信无限上下文了。上下文工程的核心就是要在“腐烂”发生前把最精华、最相关的信息挑出来喂给模型。记忆的本质上下文工程的终极福利我们总说要给 AI 加上“记忆”Memory。在 Jeff 看来•记忆Memory是目的是收益。•上下文工程Context Engineering是实现这个目的的工具。无论是短期记忆、长期记忆还是所谓的“离线压缩”Offline Compaction和“睡眠计算”sleep time compute本质都是在解决“如何在正确的时间把正确的信息放进上下文窗口”这个问题。破局之道生成式基准测试Generative Benchmarking那怎么知道我的上下文工程做得好不好呢靠感觉吗当然不是Jeff 团队的另一份技术报告《Generative Benchmarking》给出了答案。很多时候我们有大量的文档也就是答案但我们没有与之对应的问题查询。这份报告的核心思想就是用 LLM 来从你的文档chunks中生成高质量的问题queries从而自动创建出“问题-答案”对构成你的黄金测试集。一旦有了这个黄金数据集你就可以定量地评估你的检索策略了。比如• 换个 embedding model召回率从 80% 提升到了 90%好那就换• 调整一下分块策略成本没变速度快了 20%好那就调整这个方法直接把“炼金术”变成了可以量化、可以迭代的“工程学”。针对代码场景的思考Jeff 也分享了在代码这种特殊场景下的检索策略。•Regex正则表达式依然是王道。在你知道你要找什么的时候比如在你的项目中找cap table这个文件词法搜索非常高效。Jeff 透露Chroma 已经原生支持了高性能的 Regex 搜索。•Embedding 是补充。当你不知道具体文件名只能模糊描述时比如“那个存了所有投资人列表的电子表格”语义搜索就能派上用场。•代码的 Embedding 仍有巨大潜力。Jeff 认为现在大家对代码的 embedding 使用还非常初级比如可以先用 LLM 给代码生成一段自然语言描述再去 embedding 这段描述效果可能会更好。写在最后听完 Jeff 的分享我感觉脑子里的很多概念一下就清晰了。AI 时代我们不能再满足于做一个只会拼装、把所有东西都塞进上下文的“黑盒玩家”。我们需要像 Jeff 一样深入到底层去理解每个环节的原理和 trade-off。从“RAG”到“上下文工程”这不仅仅是一个名词的变化更是一种思维模式的升级。它要求我们从一个被动的“信息投喂者”转变为一个主动的“上下文建筑师”。最后为什么要学AI大模型当下⼈⼯智能市场迎来了爆发期并逐渐进⼊以⼈⼯通⽤智能AGI为主导的新时代。企业纷纷官宣“ AI ”战略为新兴技术⼈才创造丰富的就业机会⼈才缺⼝将达 400 万DeepSeek问世以来生成式AI和大模型技术爆发式增长让很多岗位重新成了炙手可热的新星岗位薪资远超很多后端岗位在程序员中稳居前列。与此同时AI与各行各业深度融合飞速发展成为炙手可热的新风口企业非常需要了解AI、懂AI、会用AI的员工纷纷开出高薪招聘AI大模型相关岗位。最近很多程序员朋友都已经学习或者准备学习 AI 大模型后台也经常会有小伙伴咨询学习路线和学习资料我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频全系列的学习资料这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】AI大模型系统学习路线在面对AI大模型开发领域的复杂与深入精准学习显得尤为重要。一份系统的技术路线图不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点还能提供一条高效、有序的学习路径。但知道是一回事做又是另一回事初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性在这基础上找到高质量的学习资源不浪费时间、不走弯路又是重中之重。AI大模型入门到实战的视频教程项目包看视频学习是一种高效、直观、灵活且富有吸引力的学习方式可以更直观地展示过程能有效提升学习兴趣和理解力是现在获取知识的重要途径光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。海量AI大模型必读的经典书籍PDF阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。600AI大模型报告实时更新这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。AI大模型面试真题答案解析我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】 干货收藏 | RAG已死？顶级开源数据库创始人揭秘上下文工程新范式
前言AI 时代人只分两种一种是被噪音吞噬的“信息流食者”另一种是驾驭 AI、以思想为利刃的“未来拓荒者”。今天必须给大家安利一篇 latent.space 中信息密度爆炸的文章。作者是 Jeff Huber顶级开源向量数据库 Chroma 的创始人和 CEO。先介绍下Chroma如果你在玩 AI 应用特别是 RAG那你不可能不知道它。Chroma 凭借其超赞的开发者体验pip install就能跑还要啥自行车 已经成为无数 AI 项目的首选月下载量超过 500 万GitHub star 数 22k可以说是向量数据库领域的开源霸主。连大名鼎鼎的 Voyager 论文里用的都是它。最近Jeff Huber 抛出了一个极其劲爆的观点“RAG 已死”。什么鬼我们辛辛苦苦学了半天的 RAG怎么说死就死了别急Jeff 接下来给出了他的新答案上下文工程Context Engineering为王。随着大模型上下文窗口越来越长AI 的工作负载也从简单的聊天机器人转向了更有影响力的 Agent那个曾经被我们忽视的“上下文窗口”现在成了兵家必争之地。这篇文章就是 Jeff 对这个问题的深度思考和实战总结。干货满满准备好你的小本本我们发车了⚡️ 先上结论Jeff Huber 的 5 个独家检索秘诀Jeff 开篇就直接甩出了 5 个搞检索Retrieval的独家秘诀全是硬菜朋友们拿好不谢✅别再说你做的是 “RAG” 了咱们要做的是“检索”Retrieval。把基础概念搞清楚密集检索dense、词法检索lexical、过滤filters、重排re-rank、组装assembly、评估循环eval loop这才是专业的玩法。✅第一阶段用混合召回hybrid recall搞定。别怕给 LLM 太多候选内容它又不是人阅读能力超强。先捞个 200-300 个候选结果出来完全没问题。✅把上下文context组装起来之前一定要先重排re-rank这是铁律能极大提升最终生成质量。✅尊重“上下文腐烂”Context Rot这个事实。精简、结构化的上下文远比塞满整个窗口的冗长上下文效果好得多。后面会详细讲这个。✅跟团队一起搞个小小的黄金数据集gold set。然后把它接入到你的 CI 和 Dashboard 里持续评估这比你瞎猜强一万倍。 一个完整的上下文工程流水线Jeff 不光给出了心法还给了一套完整的操作流程图从数据摄入到查询再到外循环优化非常清晰。数据摄入Ingest•解析 分块 (Parse chunk):要懂你的业务领域比如按标题、代码块、表格来切分。•丰富信息 (Enrich):加上标题、锚点、符号、元数据这些。•可选LLM “块摘要” (LLM “chunk summaries”):用自然语言给代码或者 API 写个总结。•嵌入 (Embeddings):生成密集向量dense也可以加上稀疏信号sparse signals。•写入数据库 (Write to DB):把文本、向量、元数据都存进去。查询Query•第一阶段混合检索 (First-stage hybrid):向量 词法/正则 元数据过滤一把梭。•候选池 (Candidate pool):大概捞个 100-300 个候选。•重排 (Re-rank):用 LLM 或者 cross-encoder 模型来重排选出最好的 20-40 个。•上下文组装 (Context assembly):• 指令/系统提示system prompt放最前面。• 去重合并相似内容。• 来源多样化。• 严格控制 Token 上限。外循环优化Outer loop•缓存/成本控制 (Cache/cost guardrails):别把钱烧光了。•基于黄金集做生成式基准测试 (Generative benchmarking):后面会讲这个神器。•错误分析 (Error analysis):回过头去重新分块、调整过滤器或者重排的 prompt。•记忆/压缩 (Memory/compaction):把交互历史总结成可检索的事实。为什么要做 Chroma从“炼金术”到“工程学”聊到为啥要创办 ChromaJeff 的回答很有意思。他说在 AI 领域搞个 demo 很容易但要做一个生产级的、可靠的系统就难于上青天。从 demo 到生产的鸿沟感觉不像是在搞工程更像是在搞炼金术alchemy。他提到了一个经典的 XKCD 梗一个人站在一堆冒着热气的垃圾上别人问他“这是你的数据系统” 他说“是啊。” “你怎么知道它好不好用怎么改进它” “哦就搅和搅和看看会不会变好一点。” 哈哈是不是画面感十足Jeff 觉得这太扯了。所以 Chroma 的使命就是想帮助开发者用 AI 构建生产级应用让这个过程更像工程而不是炼金术。别再傻傻分不清信息检索 vs. 搜索Jeff 认为我们正在为 AI 构建的是“现代搜索基础设施”modern search infrastructure for AI。这个“为 AI” for AI体现在四个不同层面工具技术不同AI 时代的搜索工具和传统搜索不一样了。工作负载不同以前搜索结果的最后一公里是人来完成的你在一堆蓝色链接里点来点去。现在是 LLM 在消费这些结果。开发者不同构建搜索的开发者画像变了。消费者不同人类只能消化 10 个蓝色链接但 LLM 可以消化成千上万个。这个洞察太关键了消费者的改变从根本上决定了系统的设计。核心痛点烦人的“上下文腐烂”Context Rot这部分是全文的精华很多模型厂商都在吹牛搞各种“大海捞针”needle in a haystack测试图表做得一片绿告诉你他们的模型在百万 Token 上下文里也能完美利用。但 Jeff 和他的团队通过研究发现了一个残酷的现实上下文腐烂Context Rot。简单说就是当你往上下文窗口里塞的 Token 越来越多时模型的性能并不会保持不变反而会下降。模型会开始忽略一些指令推理能力也会变差。Chroma 最近发布的技术报告《Context Rot》就详细阐述了这个问题。他们发现即使是市面上最强的模型随着上下文长度增加性能都会出现明显衰减。所以朋友们别再迷信无限上下文了。上下文工程的核心就是要在“腐烂”发生前把最精华、最相关的信息挑出来喂给模型。记忆的本质上下文工程的终极福利我们总说要给 AI 加上“记忆”Memory。在 Jeff 看来•记忆Memory是目的是收益。•上下文工程Context Engineering是实现这个目的的工具。无论是短期记忆、长期记忆还是所谓的“离线压缩”Offline Compaction和“睡眠计算”sleep time compute本质都是在解决“如何在正确的时间把正确的信息放进上下文窗口”这个问题。破局之道生成式基准测试Generative Benchmarking那怎么知道我的上下文工程做得好不好呢靠感觉吗当然不是Jeff 团队的另一份技术报告《Generative Benchmarking》给出了答案。很多时候我们有大量的文档也就是答案但我们没有与之对应的问题查询。这份报告的核心思想就是用 LLM 来从你的文档chunks中生成高质量的问题queries从而自动创建出“问题-答案”对构成你的黄金测试集。一旦有了这个黄金数据集你就可以定量地评估你的检索策略了。比如• 换个 embedding model召回率从 80% 提升到了 90%好那就换• 调整一下分块策略成本没变速度快了 20%好那就调整这个方法直接把“炼金术”变成了可以量化、可以迭代的“工程学”。针对代码场景的思考Jeff 也分享了在代码这种特殊场景下的检索策略。•Regex正则表达式依然是王道。在你知道你要找什么的时候比如在你的项目中找cap table这个文件词法搜索非常高效。Jeff 透露Chroma 已经原生支持了高性能的 Regex 搜索。•Embedding 是补充。当你不知道具体文件名只能模糊描述时比如“那个存了所有投资人列表的电子表格”语义搜索就能派上用场。•代码的 Embedding 仍有巨大潜力。Jeff 认为现在大家对代码的 embedding 使用还非常初级比如可以先用 LLM 给代码生成一段自然语言描述再去 embedding 这段描述效果可能会更好。写在最后听完 Jeff 的分享我感觉脑子里的很多概念一下就清晰了。AI 时代我们不能再满足于做一个只会拼装、把所有东西都塞进上下文的“黑盒玩家”。我们需要像 Jeff 一样深入到底层去理解每个环节的原理和 trade-off。从“RAG”到“上下文工程”这不仅仅是一个名词的变化更是一种思维模式的升级。它要求我们从一个被动的“信息投喂者”转变为一个主动的“上下文建筑师”。最后为什么要学AI大模型当下⼈⼯智能市场迎来了爆发期并逐渐进⼊以⼈⼯通⽤智能AGI为主导的新时代。企业纷纷官宣“ AI ”战略为新兴技术⼈才创造丰富的就业机会⼈才缺⼝将达 400 万DeepSeek问世以来生成式AI和大模型技术爆发式增长让很多岗位重新成了炙手可热的新星岗位薪资远超很多后端岗位在程序员中稳居前列。与此同时AI与各行各业深度融合飞速发展成为炙手可热的新风口企业非常需要了解AI、懂AI、会用AI的员工纷纷开出高薪招聘AI大模型相关岗位。最近很多程序员朋友都已经学习或者准备学习 AI 大模型后台也经常会有小伙伴咨询学习路线和学习资料我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频全系列的学习资料这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】AI大模型系统学习路线在面对AI大模型开发领域的复杂与深入精准学习显得尤为重要。一份系统的技术路线图不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点还能提供一条高效、有序的学习路径。但知道是一回事做又是另一回事初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性在这基础上找到高质量的学习资源不浪费时间、不走弯路又是重中之重。AI大模型入门到实战的视频教程项目包看视频学习是一种高效、直观、灵活且富有吸引力的学习方式可以更直观地展示过程能有效提升学习兴趣和理解力是现在获取知识的重要途径光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。海量AI大模型必读的经典书籍PDF阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。600AI大模型报告实时更新这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。AI大模型面试真题答案解析我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】