使用：排除构建上下文中不需要的文件，加速构建过程，避免不必要的文件被复制。多阶段构建：使用多个FROM指令，将编译环境和运行环境分离，最终只复制必要的文件到一个小体积的最终镜像中，极大减小镜像大小。COPY --from = build /app/dist /usr/share/nginx/html # 只复制编译好的文件合并RUN指令：使用&&和将多个命令合并为一个指令，减少镜像层数并清理缓存（

在学命令之前，理解其背后的核心概念至关重要。

使用Anaconda来创建conda环境是解决Python项目依赖包冲突的一种非常有效的方法。Anaconda是一个流行的Python数据科学和机器学习平台，它提供了conda包管理器和一系列预安装的科学计算包。

Homebrew是一个非常方便的包管理工具，可以轻松安装各种软件。

使用Anaconda来创建conda环境是解决Python项目依赖包冲突的一种非常有效的方法。Anaconda是一个流行的Python数据科学和机器学习平台，它提供了conda包管理器和一系列预安装的科学计算包。

现如今，LLM（大型语言模型）已跃升为前沿的AI技术，但在实际应用中仍面临着诸多挑战。其中，LLM的幻觉问题尤为棘手，极大地制约了其应用效果的发挥。为此，我们提出了运用RAG（检索增强型生成模型）进行上下文提示，以期有效解决这一幻觉问题。那么，RAG的应用效果究竟如何呢？为此，开源的Ragas包为我们提供了针对RAG的评估方法与指标，帮助我们全面评估其性能，从而更好地优化和拓展LLM的应用领域。R