过滤噪音，保留 AI 信号。

从零构建生产级LLM记忆系统（第三部分：FastAPI + 短期记忆 + 长期记忆 + RAG）

这篇Medium教程是构建生产级LLM记忆系统系列的第三部分。可访问内容仅显示指向上一篇文章的摘要和一个“在Medium上继续阅读”的提示。标题表明该教程涵盖了FastAPI、短期记忆、长期记忆和检索增强生成（RAG）的集成，但原始提要内容仅为一段简短的宣传片段，未提供具体技术细节。

这篇Towards Data Science教程探讨了利用视觉大语言模型从PDF文档中解析图表、示意图等视觉元素的方法。文章展示了此类模型如何超越纯文本解析，使检索增强生成（RAG）系统能够纳入图像信息，并重点介绍如何将视觉上下文实际集成到企业文档智能流程中。

该文章对检索增强生成（RAG）流水线和确定性全扫描引擎在10万行数据上进行聚合任务基准测试。结果表明，增大上下文窗口并不能提高准确性，反而让错误更难发现。作者得出结论：计算密集型查询必须完全绕开RAG，并构建了一个将此类查询导向确定性全扫描引擎的系统，以保持准确性。

本教程演示如何使用Docling工具在本地解析PDF，保留表格单元、OCR文本、标题和说明文字，实现云端级文档结构化而无需上传、API密钥或按页付费。该方法将PDF转换为丰富结构数据，用于RAG流水线，确保数据隐私。

这篇企业文档智能系列教程展示了Azure文档智能的布局模型如何在PyMuPDF未能识别表格时，从PDF中提取关系型表格。Azure方案保留了原生表格单元格，并通过集成OCR支持扫描页面及图像。它还能在不依赖正则表达式的情况下提取标题和标题。该方法被呈现为检索增强生成（RAG）流程中更优的解析步骤。

独立AI顾问为大阪附近一家400人精密零部件制造商构建了三层系统：先录制两位即将退休的资深检验员60小时口述判断逻辑，用大模型转写并构建可检索知识库；再搭建RAG系统，让新人拍照获取相似案例和判断依据；最后训练视觉模型输出缺陷分类与根因建议。项目历时五个月，使新人质检员准确率从96%提升至99.2%，知识库被产线工程师沿用。这比客户最初要求的“AI质检”更聚焦于知识保全，方案核心并非简单缺陷检测，而是将隐性经验文档化。