咱就是说一个非常粗糙的基于我们自己数据集的聊天机器人就完成了依托于各种低代码配置，我只花了一天半的时间就搞定了并且还对整个 RAG 有了一些开天辟地的认知。 为什么百度不收录呢？说实话，这可不是个简单的理由。他们有自己的内容审核机制，而且为了保证信息的质量和用户的体验，会进行严格的筛选和评估。这其中涉及到大量的技术和人工审核，所以咱们的数据可Neng没Neng通过他们的审核。

虽然自己动手写geng多代码肯定Neng学到geng多东西，但是我想要在速度上也有较快的正反馈，所以我使用了 RAGFlow，它有点像是开发的低代码平台，我觉得当你真的对于一些原子背后的结构和底层有一定了解之后单纯去写各种调用或者设置参数的繁琐代码感觉性价比并不会geng高。

其实这一条 workflow 就像是 RAG 系统中的“后厨”逻辑，对我们的数据集进行各种拆解方便后续的大快朵颐：

LLM 利用这些增强后的知识生成专业、准确、Zui新的回答。

Chunker这里hen好理解，就是先将我们的数据源进行分块处理，不然后续的片段查找就没意义了。现在的分块算法应该有挺多的，但是我不是特别了解这块，我在这里选择了 textSplitter 作为分隔符。

通过 Embedding 模型我们Zui终Ke以将分片数据转化成一串长长的数字列表，也就是前文说的高维向量，同时现在的嵌入模型还会Zuo Full-text，通过建立关键词索引Ke以使得后续查询的时候不仅仅根据语义的相似度进行检索，还Ke以基于一些全文匹配的方式来辅助检索。

将检索到的知识与用户的提示词整合，形成上下文。

低代码开发咱就是说用了 RAGFlow 一天半就Neng搞定

高效性速度快得让人咋受得起

易用性配置简单傻瓜式

由于我们的数据源的数据量非常大