*RAG（Retr⁠ieval-Augmented ‌Generation，检索增强生成）**是一种结合信息检索技术和 A‎I 内容生成的混合架构，可以解决‌大模型的知识时效性限制和幻觉问题。简单来说，RA⁠G 就像给 AI 配了一个‌ “小抄本”，让 AI 回答问题前先查一查特定的知识‎库来获取知识，确保回答是基‌于真实资料而不是凭空想象。从技术角度看，R⁠AG 在大语言模型生成回答之前‌会先从

Git不但会把本地的master分支内容推送的远程新的master分支，还会把本地的master分支和远程的master 分支关联起来。此时我们提交我们的修改后在查看git status，我们可以发现我们的本地master分支领先了1次提交。从分支的详细信息中我们可以看到远程分支的提交版本和master的提交版本不同，本地领先了。origin master关联的是远程的master分支，用于追踪远

Prompt ⁠工程（Prompt Eng‌ineering）又叫提示词工程，简单来说，。能帮我写个数学题吗？，构建一个能够按照预期生成‌内容的提示词既是一门艺术，也是一门科学。，因此这也是 AI 应用开发的关键技能。

AI 大模型是指具⁠有超大规模参数（通常为数十亿到数万‌亿）的深度学习模型，通过对大规模数据的训练，能够理解、生成人类语言，‎处理图像、音频等多种模态数据，并展‌示出强大的推理和创作能力。大模型的强大之处在于它的涌现能力—— 随着模型参数量和训练数据量的增加，模型会展现出训练过程中未明确赋予的新能力，比如逻辑推理、代码编写、多步骤问题解决等。模型参数量达到，训练数据覆盖文本、图像、音频等多模态海量

人工智能服务 AIService。

LangChain4j 的目标是简化将大语言模型（LLM - Large Language Model）集成到 Java 应用程序中的过程。LangChain4J是LangChain（Python） 的 Java 移植版，遵循其原设计理念，灵活、模块化、非侵入式，是通用性很强的工具包。虽然LangChain4j是Python LangChain的 Java 实现，但并非简单移植，而是融合了 Lan

实现了vue上传视频到阿里云oss，当上传视频的时候会查询是否上传过，如果上传过则返回，没有上传过则实现上传配合md5，利用ffmpeg实现自动配置封面图等功能。@Component使用@Component将类注册为，使用读取文件的配置信息。

适配不同类型的处理器，提供统一的调用接口。是定义的每一个被@controller注解的类。将路径下的文件渲染出来返回给用户，包括JSON数据、JSP视图、HTML页面等。处理映射器是根据用户提供的路径找到对应的Controller文件。根据这个返回视图，把"user/detail"变成具体文件路径。处理器是Controller文件中每一个对应的方法体。处理器适配器是用户找到的Controller文

中央转化器是DispatcherServlert，在SSM项目中，SpringMVC中的DispatcherServlet是需要配置在web.xml文件中国，但是在SpringBoot是约定好的，SpringBoot自动接管了DispatcherServlet的配置。自己定义的spring.web需要自己通过实现WebMvcConfig中，如何进行判断呢，只要是在application.yml中有

各种情况的优先级如下：1.融合表（在情况允许的前提下）2.连表查询 （子存放关系）3.新建一个表用来存储两个表之间的关系推荐使用一对多连表查询，不使用前两种的情况。推荐使用：外建表查询。