将 RAG 上下文精简至答案真正需要的部分
Kapa 在 RAG 流程中加入了一个轻量级 LLM 步骤，在生成前筛选掉无关文档块。 该方法能剔除约 68% 的上下文，同时保持 96% 的召回率，使单次查询成本降低三分之一。
Kapa
Kapa.ai，面向技术文档的 AI 助手构建平台，服务于 OpenAI、Logitech 等 200+ 企业，已回答超 3000 万开发者问题。
评论
点赞
收藏为RAG索引图片：一次描述，随文本检索
一篇高质量的RAG工程实践分享，核心看点：查询时跑多模态视觉模型成本高、延迟大、图片塞不进上下文，Kapa团队换了个思路——索引阶段用廉价视觉模型对每张图片做一次文本描述，之后纯文本检索和生成。实验数据显示答案质量显著提升（p<0.05），每查询额外成本仅1%-6%。文章不藏着掖着，详述了图片筛选（零样本分类器96.8%准确率，但模糊图片跌至59.8%并坦诚这是embedding模型无法解决的固有问题）、标注模型对比（小模型GPT 5.4 mini足够，nano才掉队）、存储策略（独立chunk优于内联，成本更低且retriever按需拉取）等生产落地细节。最终在三个客户项目上，图片被正确引用率达94%-99%。有数据、有图、有真实踩坑，对做RAG/知识库问答的工程师直接有用。
1192次对话揭示：AI Agent中知识库搜索的真正价值
Kapa联合创始人分享产品内部数据：对1192次AI Agent对话分析后发现，知识库搜索工具的使用频率几乎等于所有30个原生工具的总和。核心发现有三：一是知识库作为兜底方案，当用户问题超出原生工具能力时填补空白，占比32.1%；二是知识库为原生工具提供上下文解释，回答"这是什么意思"；三是知识库教会Agent如何正确调用自己的工具——用户问"负面情感对话"，系统没有情感过滤字段，Agent通过搜索文档发现downvote和反馈评论可作为替代信号，再用正确参数调用原生工具。三个模式中第三个最意外也最有价值：知识库不只是回答问题，它在做规划工作，帮Agent理解产品能做什么、该调用哪个工具。对AI Agent构建者的核心启示：一个能读文档的工具，比想象中重要得多，它让所有其他工具真正可用。 
远程 MCP 服务器：托管、认证与最佳实践
本文详细对比了本地与远程 MCP 服务器的部署方案，涵盖 Streamable HTTP 和 stdio 两种传输机制、OAuth 2.1 与 API Key 两种认证方式，以及 Cloudflare Workers、自建基础设施、托管服务（如）三类托管选项。文章还梳理了安全性（短令牌、防 confused deputy）、可靠性（限流、优雅刷新）、发现机制（/.well-known 端点）和会话管理等生产环境最佳实践。但全文由 撰写，多处穿插自家产品推广（如"5 次点击部署远程 MCP"），实质上是公司技术营销内容，信息有一定参考价值，但立场偏向明显，缺乏独立观点或一手经验。 
RAG 翻车了：7 个最常见错误及应对方法
7 个导致 RAG 系统翻车的常见错误，每个都配有真实踩坑案例和具体修复方案。作者以自身工程经验指出：分块切割断语义、脏数据直接入库、无重排序、嵌入腐烂、零评估体系等，都是团队最容易犯却常被忽视的问题。虽是 产品博客、末尾有推广，但技术内容有深度有个人观点，对 RAG 工程实践有切实参考价值。 
一键为你的用户部署文档MCP服务器
Kapa推出托管MCP服务器功能，用户一键即可将产品文档接入Cursor、Claude、VS Code、Windsurf、ChatGPT等AI编程工具，无需管理基础设施。文章详细介绍了在Kapa后台60秒完成部署的配置流程——选择集成类型、设置子域名、命名服务器即可上线；还提供了在Kapa聊天组件中添加MCP安装菜单的两行代码方案。安全性方面采用Google OpenID认证（仅请求openid权限，不获取个人信息），每个认证用户每小时40次/每天200次的限流策略。FAQ解释了MCP协议是什么、与自建MCP的区别、各AI工具具体连接方式、以及如何追踪MCP使用分析。全文为Kapa官方产品功能发布+操作指南，偏营销导向。
教程：用你的产品知识库构建一个 Agentic AI 系统
官方博客分享了如何将 AI 问答助手作为"精准问答模块"嵌入到更大的 Agentic AI 系统中，而非做成全能型 agent。文章解释了为什么 Kapa 不做 ticket 创建等扩展流程（业务差异大，无统一方案），并用 LangGraph 搭建了一个简易 support agent 原型，展示 query_kapa（调用 Kapa API 获取带引用的答案）和 create_support_ticket（创建工单）两个工具的编排逻辑，以及路由策略提示词的设计。最后讨论了生产环境注意事项，如返回结构化 JSON 让 agent 更精确决策、查询耗时等。适合关注 RAG 落地和 AI 客服架构的技术读者，但代码示例被省略、内容偏产品推广侧写，缺乏个人经验和强观点。 
大语言模型遇上千页级半导体文档：为何AI难以读懂技术手册
以合作过的三家半导体大厂为例，分享了让AI助手更好理解技术文档的实操经验。核心建议包括：PDF须有清晰标题层级和逻辑流程，避免纯图片扫描；表格数据要简化并配文字说明，不要只扔给AI一张大表；不同产品线应分区或分项目管理知识库，防止跨代际信息混淆；文档中最好显式注明功能适用的版本范围。这些建议对任何用RAG构建文档问答系统的团队都有参考价值。但全文本质是公司产品推广文——无个人视角、无争议观点、无一手踩坑细节，框架清晰但读起来像一份“AI助手上手指南”的通稿。结尾直接引导用户预约Demo，商业目的明确。 
如何为大型语言模型优化技术文档
本文来自 （LLM 文档工具公司）的实战总结，基于与 80 多个技术团队合作的经验，提炼出六项优化技术文档以适配 LLM 的关键实践：善用页面层级结构帮助模型理解内容关系；按子产品拆分文档避免混淆；加入 FAQ 格式的故障排查章节，这是 LLM 最常引用的内容；提供自包含、带注释的代码示例；建立社区论坛作为官方文档的补充；此外还包含避免使用 PDF 存储、为截图配文字说明、提供 OpenAPI 规范等实用技巧。文中以 Temporal、Prisma、OpenAI、Mixpanel、CircleCI 的具体案例说明效果。适合技术文档工程师和开发者体验负责人参考，但文章结尾导向自家产品演示预约，明显为营销获客内容。 
评估使用推理模型的模块化RAG方案
核心看点：通过58组对照实验发现，用o3-mini等推理模型替代传统RAG管线效果并不理想，关键发现是"推理≠经验"——推理模型能理解检索工具的定义，但缺乏使用工具的经验性知识（tacit knowledge），在检索质量和知识抽取上并未超越传统手动调优管线。实验设置了完整对照组：传统固定管线 vs 基于o3-mini的模块化RAG（工具全开放/受限、提示词高度结构化/开放式、中/高推理强度多种组合）。结果仅在代码生成上有改善，检索质量持平，而CoT推理大幅增加延迟。模型常常犹豫是否调用工具、难以区分检索结果优劣。文章坦诚分享了负面实验结果并指出了改进方向（更精细的提示策略、预训练/微调工具使用技能、混合架构），对正在选型RAG方案的工程师有实际参考价值。 
AI幻觉：大语言模型为何编造答案（以及如何解决）
AI幻觉——大语言模型自信给出错误答案的现象，从Air Canada聊天机器人编造退款政策导致公司被迫履约，到律师用ChatGPT提交虚假判例被罚，已经造成真实损失。本文系统拆解了幻觉的三大技术根源：Transformer注意力窗口限制导致长文本中早期内容丢失、概率式逐token生成无法回溯修正、训练数据暴露偏差和覆盖盲区。随后给出三层防御策略：输入层做查询优化和上下文注入，设计层用思维链/RAG检索增强生成/微调，输出层靠规则过滤和事实核查。文章引用了Google Bard搞错韦伯望远镜首张系外行星照片、超市AI推荐氯气食谱等经典案例，技术深度不错，有论文引用和架构对比图。但全文是的营销博客，缺乏个人经验或独特观点，结构像教科书式的综述整理，末尾导向自家产品推广，读起来像任务型知识输出而非有立场的内容。
RAG最佳实践：来自100个技术团队的经验教训
超过80%的企业生成式AI项目无法走出概念验证阶段。本文自称基于为Docker、CircleCI、Reddit等100多个技术团队构建生产级RAG系统的经验，总结五大实践：精心筛选数据源（从核心文档开始，区分公共与私有数据）、建立自动化增量刷新管线、构建覆盖检索准确率和幻觉检测的评估框架、优化提示词策略（限定仅使用上下文回答并明确标注引用、知道何时说"不知道"）、落实PII检测、速率限制和访问控制等安全措施。文章有实际技术细节，但本质是的产品营销博客，每个实践都配有"可自建或使用"的引导，缺乏独立观点和一手案例的具体展开，属于企业机构号内容。 
Kapa.ai 获 320 万美元种子轮融资，推进技术 AI 助手开发
宣布完成 320 万美元种子轮融资，由 Initialized Capital 领投，Y Combinator 及多位知名 AI 领域天使投资人跟投。该公司将技术文档转化为 RAG（检索增强生成）AI 问答助手，已服务 Docker、OpenAI、、Grafana 等 100+ 企业客户。文章详述了创始团队从帝国理工研究 LLM 信息检索到创业的过程，重点介绍了他们在 RAG 系统评估上的投入（"无法衡量就无法优化"），以及客户效果数据：Mapbox 月减少 20% 工单，Docker 助手已服务超 2 万开发者，CircleCI 缩短 28% 响应时间。但全文是典型的公司融资通稿，以宣传和招募为目的，缺乏独立第三方视角或争议性观点。 
Mapbox 借助 Kapa.ai 将月支持工单减少 20%
Mapbox 将 的 AI 问答机器人嵌入官方文档、Discord 社区和 Zendesk 工单系统，自动回答开发者技术问题。官方宣称月均处理 11000+ 问题，付费用户支持工单减少 30%，节省 2500+ 支持工时。文章介绍了知识源整合（文档、API 参考、StackOverflow、YouTube 教程、历史工单等）以及多渠道部署方案，并提到未来计划接入 Jira/Confluence、利用对话数据识别销售线索。但本文为 官方发布的客户案例，本质是产品营销内容，所有数据由供应商单方提供，标题与正文在工单缩减比例（20% vs 30%）上存在不一致，缺少 Mapbox 工程师的独立评价与真实踩坑记录。