本文介绍了基于RAG（检索增强生成）技术的API问答系统的设计与实现。该系统旨在帮助开发者高效查询和理解HarmonyOS API文档。RAG技术通过结合检索系统和生成模型，解决了大语言模型在知识时效性、专业领域知识和幻觉等方面的局限性。系统实现包括文档处理、向量化、向量数据库构建、检索和生成等模块。文档处理模块负责加载和解析API文档，向量化模块使用DeepSeek的BGE-M3模型将文本转换为

本文介绍了HarmonyOS API知识图谱系统的构建与后端实现方案。系统采用前后端分离架构，通过传统HTML解析与基于DeepSeek-R1大模型的智能方法提取API实体及关系，使用NetworkX构建图结构并存储为JSON格式。后端基于Flask提供RESTful API，集成语义搜索功能，支持开发者高效查询API关联关系。重点阐述了知识图谱的两种构建方法对比、数据模型设计及图结构加载实现，体

本文介绍HarmonySmartCoding项目中实现的开发辅助平台，包括三个核心模块：1)基于BGE-M3向量化和DeepSeek大模型的API文档RAG检索系统，支持智能问答和引用追踪；2)智能代码文件助手，提供AI代码修改建议和自动文件管理；3)基于LoRA技术微调的代码生成系统，实现本地推理服务。系统通过统一界面接收开发者需求，智能路由分发到各模块处理，结果整合展示，提升HarmonyOS

在HarmonySmartCoding项目中，数据获取是支撑整个项目落地的核心基础。本文将聚焦Python爬虫技术的学习与实践——通过定向爬取ArkTS代码仓库等数据源，构建高质量的结构化数据集，为后续大语言模型指令微调提供代码数据支撑。通过本次数据采集系统的构建，我们成功获取了大量高质量的ArkTS代码数据，为项目的后续发展奠定了坚实的数据基础。我们不仅实现了技术上的突破，也积累了宝贵的工程经验

在HarmonySmartCoding项目中，需要使用DeepSeek API来实现问答、微调等等操作，用于后续的API文档问答和代码数据集提示词生成。为了满足这一需求，我开发了DeepSeek API客户端，用于连接和调用不同环境下的DeepSeek大语言模型。本文将详细介绍我的实现过程、技术方案以及关键功能。通过开发DeepSeek API客户端，我成功实现了与多种环境下DeepSeek模型的

本项目设计并实现了一个智能代码文件助手，采用前后端分离架构。前端包括代码替换服务、代码服务和UI组件，后端包括代码助手API。系统能够解析AI生成的代码修改建议，准确应用到实际文件中，支持修改现有文件、创建新文件等操作。核心技术包括基于上下文的代码匹配算法和结构化提示词设计。该助手适用于添加新功能、修复问题、重构代码等场景，显著提高了开发效率，为HarmonyOS开发提供智能辅助。

作者之所以使用PyCharm作为IDE、使用.venv作为虚拟环境配置，更多地是因为其对于用户的友好性，很大程度上避免了新手小白对于终端的使用及各种报错的处理。作者在过去的探索过程中也踩过很多很多坑（参考的教程可能都已经数不清了），最终按照自己的理解选择了最适合作者自己的环境配置方式。至此，踏入Python与人工智能、深度学习的第一步已经完成，无论是计算机视觉还是自然语言处理，无论是后续项目实训中

在HarmonySmartCoding项目中，数据获取是支撑整个项目落地的核心基础。本文将聚焦Python爬虫技术的学习与实践——通过定向爬取ArkTS代码仓库等数据源，构建高质量的结构化数据集，为后续大语言模型指令微调提供代码数据支撑。通过本次数据采集系统的构建，我们成功获取了大量高质量的ArkTS代码数据，为项目的后续发展奠定了坚实的数据基础。我们不仅实现了技术上的突破，也积累了宝贵的工程经验

通过本次项目实践，我不仅掌握了网络爬虫的开发技术，还学习了如何设计和实现一个完整的软件系统。在项目过程中，我遇到了各种技术难题，通过查阅资料和不断尝试，最终都得到了解决。这次经历让我深刻认识到，软件开发不仅需要扎实的编程基础，还需要良好的问题解决能力和工程实践经验。

本文介绍HarmonySmartCoding项目中实现的开发辅助平台，包括三个核心模块：1)基于BGE-M3向量化和DeepSeek大模型的API文档RAG检索系统，支持智能问答和引用追踪；2)智能代码文件助手，提供AI代码修改建议和自动文件管理；3)基于LoRA技术微调的代码生成系统，实现本地推理服务。系统通过统一界面接收开发者需求，智能路由分发到各模块处理，结果整合展示，提升HarmonyOS