新手常犯的错误：给每个 chunk 加一堆元数据字段，恨不得把能想到的信息都塞进去。如果你的知识库只有一份文档，或者文档来源不重要（比如爬虫抓的公开网页）每次上传文档都要填一堆字段，容易出错。：元数据也要占存储空间，字段太多会显著增加存储成本。：有些向量数据库在元数据过滤时，字段越多性能越差。如果三个问题的答案都是不会，那这个字段就不要加。几乎所有场景都需要，这是最基础的元数据。如果是内网地址，要

摘要：RAG（检索增强生成）技术通过结合大模型语义理解与传统检索能力，有效解决智能客服等场景中的知识局限问题。其核心流程包括数据预处理（切分、向量化）、索引构建、语义检索和生成回答四个环节。实际应用中需处理多源数据解析、问题重写、混合检索、会话记忆等挑战，效果取决于知识库质量与系统设计。该技术适用于企业知识库、专业助手等需知识更新与可追溯的场景，但非万能方案，需根据具体需求权衡实现复杂度与效果。

向量字段存储的是高维浮点数数组（比如 4096 维的 float 数组），它不能做等值查询（两个向量完全相等的概率几乎为零），只能做相似度检索（找最近的 Top-K 个）。向量字段需要建专门的向量索引（HNSW、IVF 等），这和标量字段的 B+ 树索引是完全不同的东西。在 RAG 场景中，通常需要同时用到两种索引：向量索引用于找到语义最相似的 chunk，标量索引用于按元数据过滤（比如只搜索某个

OpenAI的ChatCompletions API已成为大模型接口的事实标准。该协议详细定义了请求格式，包括模型选择、角色设定（system/user/assistant）、参数控制（temperature/max_tokens/stream等）和响应结构。文章重点讲解了RAG（检索增强生成）场景下的最佳实践，包括Prompt工程五要素（角色、任务、约束、输入、输出）、流式与非流式调用实现、引用

元数据（Metadata）是“关于数据的数据”，描述文档本身的属性。常见的元数据：字段说明示例MIME 类型title文档标题2024年度报告creator作者/创建者张三created创建时间modified修改时间pageCount页数15wordCount字数5000OCR（Optical Character Recognition，光学字符识别）是一种技术，能把图片中的文字识别成可编辑的文

本文系统介绍了大模型的核心概念与技术特点。7B参数规模相当于70亿个神经连接，参数构成模型的语言理解能力。详细解析了Token计量方式、上下文窗口和Temperature参数对回答创造力的影响。对比了国际主流模型（GPT、Claude等）和国内优秀开源模型（DeepSeek、通义千问等）的特点。重点说明Chat模型与基座模型的区别，以及量化技术（FP16/BF16/GPTQ等）如何降低部署成本。最

本文介绍了异常处理与数据序列化的实现方案。系统通过AbstractException继承RuntimeException构建基础异常类，Result类作为统一返回值模板，包含状态码、消息和数据。序列化过程中，Spring MVC通过@JsonSerialize调用自定义序列化器实现数据脱敏等处理。全局异常处理器捕获所有异常并统一返回Result对象。此外，系统采用布隆过滤器进行快速查询，结合分布式

摘要：RAG（检索增强生成）技术通过结合大模型语义理解与传统检索能力，有效解决智能客服等场景中的知识局限问题。其核心流程包括数据预处理（切分、向量化）、索引构建、语义检索和生成回答四个环节。实际应用中需处理多源数据解析、问题重写、混合检索、会话记忆等挑战，效果取决于知识库质量与系统设计。该技术适用于企业知识库、专业助手等需知识更新与可追溯的场景，但非万能方案，需根据具体需求权衡实现复杂度与效果。

摘要：RAG（检索增强生成）技术通过结合大模型语义理解与传统检索能力，有效解决智能客服等场景中的知识局限问题。其核心流程包括数据预处理（切分、向量化）、索引构建、语义检索和生成回答四个环节。实际应用中需处理多源数据解析、问题重写、混合检索、会话记忆等挑战，效果取决于知识库质量与系统设计。该技术适用于企业知识库、专业助手等需知识更新与可追溯的场景，但非万能方案，需根据具体需求权衡实现复杂度与效果。

OpenAI的ChatCompletions API已成为大模型接口的事实标准。该协议详细定义了请求格式，包括模型选择、角色设定（system/user/assistant）、参数控制（temperature/max_tokens/stream等）和响应结构。文章重点讲解了RAG（检索增强生成）场景下的最佳实践，包括Prompt工程五要素（角色、任务、约束、输入、输出）、流式与非流式调用实现、引用