RAGAS on PlumePHP

RAG 架构全景：从检索增强生成到 Agentic RAG 的生产实践

Sun, 27 Sep 2026 10:00:00 +0800

RAG 架构全景：索引策略、查询改写、混合检索、Reranker、RAGAS 评估与 Agentic RAG 生产实践。

AI 模型测试实战：从 LLM 输出验证到 RAG 质量评估的全链路质量工程

Sat, 26 Sep 2026 00:00:00 +0800

传统的测试方法论建立在确定性之上：同样的输入必然得到同样的输出，断言 assert x == y 是质量的黄金标准。但以 LLM 为代表的生成式 AI 模型打破了这一前提——同样的 prompt 每次调用可能返回不同的、且没有唯一正确答案的文本。assert response == "Hello" 在 AI 测试中不再有意义，取而代之的是"这段回答是否语义正确？““它是否忠实于给定的知识库？““它是否包含了偏见？"。本指南系统覆盖 LLM 输出验证、RAG 质量评估、Prompt 回归测试、模型性能与对抗性测试，以及 MLOps CI/CD 中的模型质量门禁建设。

模型评估与 LLMOps：从离线评测到生产监控的闭环体系

Sat, 26 Sep 2026 00:00:00 +0800

LLM 应用上线后的最大风险不是"跑不起来"，而是"悄悄变差"——模型升级、Prompt 改动、知识库更新都可能引入质量回归，而概率性输出让这种退化难以用传统测试发现。LLMOps 的核心是建立评估（Evaluation）与监控（Monitoring）的闭环：离线用评测集守住质量基线，在线用指标捕获漂移。本指南系统覆盖评测集设计、指标选型、LLM-as-a-Judge 可靠性、回归门禁、生产监控与成本治理的完整实践。