在定义一个QAgent类后，在该类中实例化了一个OpenAI对象。这样就能直接调用OpenAI提供的各类功能函数了。这样做主要是为了避免写一些请求函数。创建一个对象，并将 API Key 和服务地址作为参数传入。：系统提示词，用于设定智能体的默认行为和回答风格。：用于访问模型服务的 API Key。首先，我们定义了一个智能体类。在实例化时，我们通过。：模型服务的请求地址。这里的 OpenAI。

其内部流程是：将问题通过同一个嵌入模型编码为查询向量 vqv_qvq​，然后与索引中所有文本向量 viv_ivi​ 计算相似度（通常是归一化后的点积或余弦相似度），最后选出相似度最高的前 k 个文本块返回。之所以使用双换行符而不是单换行，是为了在语义上形成明显的段落边界，让大模型在理解时能够区分不同来源的片段，从而减少语义混淆。在数据准备完成之后，构建向量索引，本质上是将已经分割好的文本块映射到一

两者对比，rag的使用场景更广泛，fine tuning的知识质量的高低会影响模型，还需要计算资源，模型微调之后，数据质量不够好，会影响基础模型的参数；当企业员工提问时，RAG系统首先将问题向量化，然后去企业自己的向量数据库中检索最相关的私域知识片段，最后把这些“内部资料”（作为上下文）和问题一起交给LLM，让LLM基于这些事实依据来生成安全、准确、且可溯源的答案。微调会使用一个较小的、高质量的、