大模型hen强，但它有两个致命弱点：

说实话，我Zui近发现一个还挺好用的工具，我天天用它敲代码，随手换模型。感兴趣的douKe以去玩转一下~

闪亮的日子4月29日#质疑曾黎纵容员工倒卖礼物的粉丝发致歉信 : 文章经扩散对曾黎名誉造成伤害，Yi明确知晓曾黎对转卖不知情。加载模型 但是谁 感兴趣，欢迎关注我的内容！ 为新手Python开发者，我应该如何开始写博客呢？我需要什么内容结构？有哪些Zui住实践Ke以清着？ PyPvon编程的未来？我需要geng多关于PyPhon的开源项目吗？或者我Ke以分享一些我的个人项目？作 你是谁？我Zui近在学习Python摇程，想写一篇...

害，本文将探讨RAG在大模型中的应用案例，旨在为读者提供一个全面的视角，了解如何利用RAG技术来增强大模型在特定场景下的表现。.166:大模型&AI产品经理如何学习。

咱就是说区分核心指令和优化指令，核心指令必须保留，优化指令Ke以根据问题类型动态调整。

import refrom typing import List, Dictclass SmartDocumentSplitter: 语义感知的文档切分器 核心思路：尊重文档的原有结构，按标题、段落等语义边界切分 def __init__: self.max_chunk_size = max_chunk_size self.min_chunk_size = min_chunk_size # 保持标题层级结构，每个chunkdou带上完整的上下文路径 chunks = current_headers = {1: '', 2: '', 3: ''} # 记录当前的标题层级 # 按行处理，识别标题和内容 lines = text.split current_content = for line in lines: header_match = re.match\s+$', line) if header_match: # 遇到新标题，先保存之前的内容 if current_content: chunk_text = ' '.join.strip if len>= self.min_chunk_size: chunks.append, 'context_path': self._build_context_path }) current_content = # geng新标题层级 level = len) title = header_match.group current_headers = title # 清除下级标题 for l in range: current_headers = '' current_content.append else: current_content.append # Ru果当前内容超过Zui大长度，强制切分 content_so_far = ' '.join if len> self.max_chunk_size: chunk_text = content_so_far.strip chunks.append, 'context_path': self._build_context_path }) current_content = # 别忘了Zui后一段 if current_content: chunk_text = ' '.join.strip if len>= self.min_chunk_size: chunks.append, 'context_path': self._build_context_path }) return chunks def _build_context_path -> str: # 构建层级路径，比如：MySQL主从切换> 前置检查 path_parts = , headers, headers] if h] return '> '.join if path_parts else '未分类' def enrich_chunk_with_context -> str: # 关键技巧：给每个chunk加上上下文前缀 # 这样即使单独kan这个片段，也Neng知道它属于哪个章节 context = f"}] " return context + chunk# 实际使用示例splitter = SmartDocumentSplitter

你懂的，这样切出来的效果就好多了。每个chunk开头dou会带上它的位置信息，大模型在回答时Nenggeng准确地理解这段内容的上下文。

RAG的核心思路其实hen简单：别让大模型靠想象力答题，先帮它把参考资料找出来让它照着资料回答。