只与明月听

一、向量数据库简介 前面我们了解到RAG的流程是，先将长文本切块，然后将这些块通过嵌入模型转换成向量，然后通过对比用户的问题，计算向量的相似性来找出和用户问题最相关的文本，当向量的数量级别增长到百万、

引言 前面已经介绍过RAG流程中的chunk，也就是分块，详细介绍了几种分块的方法，比如固定长度切分、递归分块、基于文件结构语义切分和父子结构语义分块，分块的目的就是为了接下来的Embedding，就

之前总结过一篇文章，通过LlamaIndex的视角来介绍了RAG，也知道了一个完整的RAG需要这么几个步骤，数据加载，索引构建，索引存储，查询和评估。前面的介绍都是蜻蜓点水的概念介绍，接下来准备写一个

一、环境准备 后端采用Python + FastApi，Redis和MySQL都在云服务器上，通过docker安装的，向外暴露接口实现的远程连接。 服务部署 前面介绍过fastapi的基本语法，但是缺

第一阶段：redis基础 1. 简介 Redis是一款开源的、基于内存的键值对数据库，支持将内存持久化到磁盘，还提供了丰富的数据结构、事务、发布订阅等功能，被广泛的用于缓存、消息队列、会话存储等场景。

一. 引言：为什么选择 LlamaIndex？ 有一句话描RAG非常到位： 从本质上讲，RAG（Retrieval-Augmented Generation）是一种旨在解决大语言模型（LLM）“知其然

前言 周五正在摸鱼刷v站，突然看到一个帖子，里面有几个面试题，其中有一个觉得蛮有意思的，刚好正在学习FastAPI，就扩展下。 面试题：三个窗口同时卖100张票，卖完窗口关闭，分别统计三个窗口的卖票时

一、前言 准备朝着ai应用开发学习下，python完善的生态就注定必须学习的，相关的web框架有很多， Flask 与 Django 一直是最常见的选择，Django 功能完善、内置 ORM 和管理后

最近在开发uniapp，虽然第一次写，但是有vue开发经验，也没觉得有啥不一样的，上手还是比较简单的，但是明显我还是低估了uniapp的复杂度，这东西难点不在于业务开发，而是各个不同机型的适配，相比于