Tags

第 34 頁

RAG

Chroma：RAG 不是把向量存起來就好，真正要補的是 AI search infrastructure

DeepEval：AI 產品不能只靠感覺驗收，LLM 評測正在變成工程團隊的測試層

Unstructured：文件 AI 最常翻車的地方，不是模型不懂，而是資料進來時就已經亂了

Milvus：向量資料庫不是 RAG 配件，而是會決定搜尋品質與營運成本的基礎設施

Phoenix：LLM 產品真正需要的不是更多感覺，而是看得見的 trace、eval 和錯誤樣本

Haystack：RAG 真正需要的不是又一個聊天範例，而是可拆、可測、可替換的 pipeline

Weaviate：RAG 上線後你才會發現，向量搜尋其實是資料平台問題

LanceDB：RAG 的資料層不只要會向量搜尋，還要能承受多模態資料和工程迭代

LlamaIndex：RAG 和 agent 真正難的，不是接上模型，而是把資料入口做成可維護系統

Onyx：很多公司缺的不是另一個 AI Chat，而是能接住內部知識的工作入口