造轮子的猪

RAG核心升级｜多LLM模型动态切换方案 一、多模型切换核心价值 传统RAG架构绑定单一LLM模型，无法适配多样化的问答场景；而多模型动态切换方案可根据场景/需求灵活选择最优模型，核心价值如下： 场景

RAG知识库核心优化｜基于语义的智能文本切片方案（对比字符串长度分割） 一、改造核心价值 传统的「按字符串长度硬分割」会破坏文本语义完整性，导致切片内容碎片化、检索答非所问；而基于语义的智能切片以完整

RAG知识库增强｜MinIO集成完整方案 一、改造核心价值 将MinIO集成到RAG知识库架构中，解决知识库文件存储、访问、溯源三大核心问题，核心价值如下： 替代本地文件存储，实现知识库文件的分布式、

RAG基础架构升级｜Redis集成多轮对话能力 一、改造核心价值 基于Redis实现会话记忆体+多轮对话上下文管理，为原有RAG架构补齐核心能力短板，完美适配智能体多轮交互场景，核心优势如下： 基于R

AgentThinker 改造完整版 | 原生Function Calling调用升级 一、改造核心说明：为什么要升级为Function Calling？ Function Calling 核心优势（

知策Agent问答 VS 知识库内容投喂AI问答 | 核心差异全解析（附选型建议） 一、两种方案「核心执行链路」直观对比 ▶ 方案1：【Agent智能体问答】（你当前实现的方案） 完整执行链路 核心特

基于知识库的知策智能体 一、核心设计理念 知策智能体采用经典四阶段Agent架构，实现「用户问题→智能决策→工具调用→答案生成」的完整链路，各组件职责单一、解耦设计，可独立扩展/替换： 思考器(Thi

知识库-向量化功能-混合查询（性能优化版） 一、功能概述 基于 Elasticsearch 8.8+ 原生混合检索语法 重构实现「BM25关键词检索 + kNN向量语义检索」一体化查询，对比传统手动R

RAG基础架构-基础对话模型接入与使用 一、功能概述 基于Spring AI + Ollama实现本地大模型对话能力快速接入，零代码侵入适配Spring生态，开箱即用完成用户提问 → 模型生成 → 结