Dify--Dify部署
Dify–Dify部署0.前言  这里是在虚拟机中配置，以下是配置 12345678910| 项目 | 值 ||------|-----|| 系统 | Ubuntu 24.04.4 LTS (x86_64) || 用户 | ai10086（sudo 权限） || CPU | x86_64 || 内存 | 7.7GB（可用 3.5GB） || 磁盘 | 39GB（剩余 14GB）
Openclaw--部署
Openclaw–部署0.前言  由于考虑安全性的问题，本人是在虚拟机中配置的了一个ubuntu 系统进行安装，尽管小龙虾在网络上吹的神乎其技，但是还是不建议直接安装在本地！！那接下来就安排安装   1.升级node版本 更新系统并安装必要工具 12sudo apt updatesudo apt install -y curl software-properties
Openclaw--产品分析
Openclaw–产品分析0.前言  最近Openclaw这个玩意比较火，本次就从产品方面去分析一下这个玩意吧（比较产品分析的思考也是在思考未来ai工具的方向标以及当下的ai需求）   1.产品方面  Openclaw的诞生，是一个转变，人们不再局限于只用ai作为一个思考工具，而是转向了将ai变成有自己思考和能干活的数字员工，能够自己操作电脑，不需
AI--RAG在线流程开发
AI–RAG在线流程开发0.在线服务流程流程图   在线流程的开发主要涉及四个脚本 向量检索功能 wector_stores.py rag服务核心功能 rag.py 历史会话记录功能 file_history_store.py l聊天UI界面 app_qa.py    1.向量检索12345678910111213141516171819202122
AI--RAG离线流程开发
AI–RAG离线流程开发0.离线服务流程流程图   离线流程的开发主要涉及两个脚本: 文件上传服务功能app_file_upload.py 向量知识库管理knowledge_base.py    1.文件上传服务123456789101112131415161718192021222324252627282930313233""&
RAG--检索优化
RAG–检索优化0.前言  在前面提到的多种分块办法后，接下来便是优化RAG的检索模块，这里我们主要从三个方面入手    1.优化数据源（构建高质量的索引）1.1父文档检索器  父文档检索器，在索引阶段将文档切分为子文档，同时保留父文档的完整消息，在检索阶段，通过子文档匹配返回完整的父文档。 1.2生成QA对 &emsp
RAG--文本分块
RAG–文本分块0.前言  前面我们提到了在RAG的流程中首先是需要进行分块，基于LLM上下文长度的限制以及西凉检索对语义完整性的依赖，如何进行高质量文本分块就成为了一个首要问题。    1.理想的分块标准 平衡消息密度与上下文完整性 关键参数     用chunk_size控制大小（一般是256/512/1024的
RAG--流程学习
RAG–流程学习0.前言  前面我们提到了RAG的整体基本运行流程主要是分片、索引、召回、重排以及生成    1.分片  通用的基础大模型存在以下的一些问题： LLM的知识不是实时的，模型训练好后不具备自动更新知识的能力，会导致部分信息滞后 LLM领域知识是缺乏的，大模型的知识来源于训练数据，这些数据主要来自公开的互联网和开源数据集，无
