使用 vue3 + ElementPlus 作为前端ui框架，实现问答系统前端功能。相信绝大部分的前端项目都是使用 Vue 或 React，python 写前端 web 框架毕竟不是主流。在企业级项目中，绝大部分的做法是将大模型 RAG 模块单独写 Api，然后接入到现有的业务系统 server 端，再统一接口给前端调用，亦或者直接给前端调用。上一章完成了框架搭建 server 端系统。本章开始着

RAG（检索、增强、生成）这种技术通过从外部知识库中检索相关信息，并将其作为提示（Prompt）输入给大型语言模型，以增强模型处理知识密集型任务的能力，如问答、文本摘要、内容生成等。完整的RAG应用流程主要包含两个阶段：1. 数据准备阶段：数据提取——>文本分割——> 向量化（embedding）——>数据入库。2. 应用阶段：用户提问——>数据检索（召回）——>注入Prompt——>LLM生成答

上一章我们实现了 RAG 的核心代码逻辑，本章我们就围绕核心代码来慢慢做大做强。既然是本地知识库问答，文档管理是必不可少的。对话聊天记录总不能一直放内存里，刷新就没了。1.**实现文档管理 API 接口**，有上传，更新，删除的操作。2.**添加会话管理 API 接口**，每一个会话都对应着相关的聊天历史记录，有 CRUD 操作。所以就不需要用到 LangChain 的 `Conversation

使用 vue3 + ElementPlus 作为前端ui框架，实现问答系统前端功能。相信绝大部分的前端项目都是使用 Vue 或 React，python 写前端 web 框架毕竟不是主流。在企业级项目中，绝大部分的做法是将大模型 RAG 模块单独写 Api，然后接入到现有的业务系统 server 端，再统一接口给前端调用，亦或者直接给前端调用。上一章完成了框架搭建 server 端系统。本章开始着

RAG（检索、增强、生成）这种技术通过从外部知识库中检索相关信息，并将其作为提示（Prompt）输入给大型语言模型，以增强模型处理知识密集型任务的能力，如问答、文本摘要、内容生成等。完整的RAG应用流程主要包含两个阶段：1. 数据准备阶段：数据提取——>文本分割——> 向量化（embedding）——>数据入库。2. 应用阶段：用户提问——>数据检索（召回）——>注入Prompt——>LLM生成答

下载 DeepSeek R1 蒸馏模型，使用 Ollama 框架作为服务载体部署运行。部署或推理模型会用到以下几种热门的推理引擎，分别是：原生启动：1.Hugging Face库，这是一个比较原生的推理架构，需要写一些底层代码来启动。这个库更多用在模型微调或推理方面上。部署模型引擎：有自己的启动方式，部署简单，往往只需要输入 sever 命令行直接启动即可。

上一章我们实现了 RAG 的核心代码逻辑，本章我们就围绕核心代码来慢慢做大做强。既然是本地知识库问答，文档管理是必不可少的。对话聊天记录总不能一直放内存里，刷新就没了。1.**实现文档管理 API 接口**，有上传，更新，删除的操作。2.**添加会话管理 API 接口**，每一个会话都对应着相关的聊天历史记录，有 CRUD 操作。所以就不需要用到 LangChain 的 `Conversation

RAG（检索、增强、生成）这种技术通过从外部知识库中检索相关信息，并将其作为提示（Prompt）输入给大型语言模型，以增强模型处理知识密集型任务的能力，如问答、文本摘要、内容生成等。完整的RAG应用流程主要包含两个阶段：1. 数据准备阶段：数据提取——>文本分割——> 向量化（embedding）——>数据入库。2. 应用阶段：用户提问——>数据检索（召回）——>注入Prompt——>LLM生成答

下载 DeepSeek R1 蒸馏模型，使用 Ollama 框架作为服务载体部署运行。部署或推理模型会用到以下几种热门的推理引擎，分别是：原生启动：1.Hugging Face库，这是一个比较原生的推理架构，需要写一些底层代码来启动。这个库更多用在模型微调或推理方面上。部署模型引擎：有自己的启动方式，部署简单，往往只需要输入 sever 命令行直接启动即可。

上周我 vscode 中创建 `uniapp vite-ts` 项目的时候，发现项目里并没有代码规范与格式化的 modules 。纳尼？又要自己手动配置一次？~~（痛苦面具）~~然后我去 `ESlint` 官网，发现 `ESlint` 已经更新到 `v9.16.0` 版本了[（请看更新变化↗）](https://eslint.org.cn/docs/latest/use/migrate-to-9.