chunks： 块
trunks : 树干
“RAG”通常指 检索增强生成（Retrieval-Augmented Generation）
主要框架：用户提query，找到和它相关的，先把问题转换为向量，和向量数据库的数据做比较，检索相似的向量，返回 对应向量的原始文本，构建prompt，给模型回答问题。
一 文档交互
1.1 生成和检索的区别
“RAG”通常指 检索增强生成（Retrieval-Augmented Generation）
二 金融智能客服系统
2.1 传统架构 （通过检索的方式）
1 提前设计FAQ库（业务人员整理）
<q, a> <q, a><q, a>
2 用户提问，和FAQ 问题做比较，看哪个问题相近，就使用这个答案
3 好处，结果可控。
2.2 传统问答方式2 （使用生成的方式）
1 提前设计FAQ库（业务人员整理）
<q, a> <q, a><q, a>
2 训练一个模型，问题做输入，答案做输出，训练模型
3 使用模型，将问题作为模型的输入，使用模型的输出作为结果。
4 结果不可控，准确率比较低。
传统方式通常使用方式一
2.3 检索 + 生成
大模型 问答系统 2.0
1 不用维护知识库，从文档抽出来关键问题
2 直接把原始的知识库就行，【doc, PDF, EXCEL, TXT 】都可以做知识库
3 用户提问，先做检索把相关文档提取出来，答案可能在文档里面
4 构建prompt，检索结果放在prompt 【上下文】, query【Input】 也放在prompt 里面，还要历史聊天记录 【上下文】，统一放入模型做输入得到一个response.
三 基于大模型技术的Agent 框架搭建
1 技术栈
项目架构梳理
1 用户提出 query（string）
2 构造知识库，企业知识【txt, pdf, html, doc, excel, ppt】 做转换
2.1 把文章做trunk【树干】，不能把整个文章放到prompt, 拆分章节，把适合的章节放进去就行。
文档 拆分-> Trunk ，放入【知识库】，需要做一定的数据清洗，特殊符号清洗啥的
2.2 把数据转换为向量，用于和query 比较。
3 用户提 query ， 在知识库找出对应的Trunk，一起放入prompt中，【基于如下的上下文回复用户的上下文】，然后进模型，然后回复。
2 向量数据库的搭建
1 trunk 和query 比较，比较两个string 做比较，把string 转换为向量。
用户提query，找到和它相关的，先把问题转换为向量，和向量数据库的数据做比较，检索相似的向量，返回 对应向量的原始文本，构建prompt。
prompt {instructing， context，inputs} -> model = response
2 相似度怎么计算？
（vec1， vec2） -> 相似度
向量数据库，解决搜索效率的问题。
难点：
1 怎么比较query 和 trunk 的向量？
2 怎么做文档切割？
3 怎么转换为向量数据？
3 怎么解决 hallucination（乱说）
4 拆分文本
1 最好按段落进行区分
2 fixed + 语义做分割【递归方法，来自 langchain】
后面的方法需要跑机器学习模型，比较慢，常见使用第一和第二种，直接拆分句子和字符数。
4.1 split by sentence
每个块都是完整的一句话。
4.2 fixed length chunks
4.3 chunks with overlapping window
4.4 recursiveCharacterTextSplitter from langchain
fixed + 语义做分割
5 拆分中文
四 文本向量化
4.1 opai embedding (向量化模型)
4.2 相似度计算
4.3 向量数据库 qdrant
# 注意镜像全称为 qdrant/qdrant
docker pull qdrant/qdrant# 完整命令（Windows/Linux通用）
docker run -d \
-p 6333:6333 \ # HTTP API端口
-p 6334:6334 \ # gRPC端口（可选但推荐）
-v D:/qdrant_data:/qdrant/storage \ # 数据持久化路径
qdrant/qdrant
