1. 基础概念 GraphRAG（Graph Retrieval-Augmented Generation）是一种将知识图谱（Knowledge Graph）与检索增强生成（RAG）深度融合的技术，通过构建实体与关系的图结构，提升复杂语义任务中的信息检索与生成质量。相比传统 RAG 依赖文本相似性匹配，GraphRAG 能够捕捉代码、文档或领域知识中的结构化关联，支持多跳推理和全局语义理解，尤其适 …

阅读更多

1. 基础概念 Milvus 是一款开源的、专注于向量相似度搜索和AI应用开发的数据库。它能够高效地处理由非结构化数据（如图片、音频、文本）转换而来的嵌入向量，并通过计算向量间的相似度，实现诸如“以图搜图”、“语义搜索”、“推荐系统”等功能。 集合 (Collection)： 相当于传统数据库中的表，是存储向量的主要单元。 用于存放具有相同结构的向量数据。 分区 (Partition)： 集合的物 …

阅读更多

1. 基础概念 传统数据库的局限性：传统关系型数据库（如MySQL）或NoSQL数据库（如MongoDB）擅长进行精确匹配和范围查询。但它们无法有效处理基于“相似性”的查询，例如：“找出所有与这张图片相似的图片”。 向量数据库（Vector Database）：一种专门为存储、索引和检索高维向量而设计的数据库。其核心能力是进行近似最近邻搜索，快速找到与查询向量最相似的向量集合。能够高效地处理非结构 …

阅读更多

1. 基础概念 RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合了信息检索与文本生成的人工智能技术。通过从外部知识库中检索相关信息，并将其作为提示（Prompt）输入给大语言模型（LLM），以增强模型处理知识密集型任务的能力，如问答、文本摘要、内容生成等。 其核心流程为： 用户提问 → 检索相关文档 → 将检索结果与问题融合 → 生成最终答案。 大语言 …

阅读更多

1. 核心概念 提示工程：通过精心设计输入文本（提示词）来引导大语言模型（LLM）产生期望输出的技术与实践。 核心思想：将任务要求转化为LLM能理解的指令和上下文，引导模型的预测朝着我们期望的方向进行。 1.2 为什么需要提示工程？ LLM具有强大能力但需要正确引导 同样的模型，不同的提示会产生截然不同的结果 成本效益：好的提示可以减少API调用次数和token消耗 可控性：使输出更符合业务需求和 …

阅读更多

基础概念 大语言模型（Large Language Model, LLM）是基于深度学习技术构建的人工智能系统。它通过在海量文本数据上进行训练，学习语言的统计规律、语法结构、语义关系以及世界知识，从而具备处理和生成人类语言的能力。 核心原理：以Transformer架构为计算引擎，通过海量文本数据上的自监督学习，基于“预测下一个词元（token）”的任务目标，最终构建出一个能处理和生成语言的复杂概 …

阅读更多

1. AI基础概念 人工智能（Artificial Intelligence, AI）：最宏观的概念，一个庞大的科学领域，致力于创造能够执行通常需要人类智能的任务的机器系统。（AI不一定需要学习，早期AI大多基于预设的规则和逻辑。） 机器学习（Machine Learning, ML）：实现AI的一种核心方法。其理念是：从数据中“学习”规律，而不是硬编码规则。其性能随着经验（数据）的增加而提高。 …

阅读更多