RAG（检索增强生成）技术通过结合检索和生成机制解决大语言模型的两大痛点：知识更新滞后和幻觉问题。其核心流程包括：1）数据索引（文档分块并向量化存储）；2）检索（将用户问题向量化并匹配相关文档）；3）增强生成（将检索结果与问题拼接后输入模型）。这种"开卷考试"模式让模型基于最新资料作答，相比纯LLM的"闭卷考试"显著提升了回答的准确性和时效性。RAG系统通过

摘要：本文详细介绍了LoRA微调方法的优势与完整训练指南。相比Textual Inversion和Dreambooth，LoRA具有模型小(10-200MB)、显存需求低(6-12GB)的特点，是当前主流选择。文章重点阐述了LoRA训练的三个关键环节：1)数据集准备(20-80张高质量图像，多角度多表情)；2)参数配置(推荐AdamW8bit优化器、cosine学习率调度器)；3)防过拟合技巧(使

file--->settings--->project stucture--->add content root 标记成sources。

安装完显卡驱动安装cuda报错