这篇文章介绍一个可运行的 Agentic RAG（检索增强生成）智能体完整范例。它首先用 ChromaDB（或降级模拟）构建包含 8 条 AI 技术文档的向量知识库；随后通过“查询改写器”把用户问题自动扩展成多组检索词，执行多轮语义搜索，并在每轮后对结果进行关键词相关度与主题覆盖度打分，动态决定是否继续检索或改写查询；最终按相关性排序、去重、拼接核心与补充信息，生成带引用来源的结构化答案。

以“提高效率、标准化输出”为核心，实现**用户输入触发→多源数据采集→多维度分析→研报自动化生成→下载交付**的端到端闭环，支持金融研报的快速生成与重复利用（若当日已生成同公司研报，直接返回下载地址），同时兼顾内容的专业性（如财务比率分析、行业对比）与格式的规范性。

**Youtu-GraphRAG** 是一个基于图Schema实现垂直统一的图增强推理范式，将GraphRAG框架精巧地集成为一个以智能体为核心的有机整体。实现了通过在图Schema上的最小化人为干预下进行跨领域的无缝迁移，为业界应用提供了泛化、鲁棒、可用的下一代GraphRAG范式。

**特征工程** 就像厨师做菜前的食材处理：原始数据是“生肉和蔬菜”，特征工程是“切块、腌制、调料搭配”，目的是让机器学习模型（食客）更容易消化吸收，做出更好预测（品尝美味）。

在计算机视觉中，图像和视频的本质是多维数值矩阵。在深度学习框架中，如何理解图片的格式？如何理解颜色通道？

向量数据库- **设计理念**：专门设计用于存储和查询高维向量数据，支持基于相似度的搜索，例如通过余弦相似度、欧氏距离等方式来查找最接近的向量。- **应用场景**：主要用于机器学习模型输出的向量表示的高效检索，如图像识别、推荐系统、自然语言处理中的文本相似性搜索等。

使用实际案例：生成酒店评论，对比 RNN、LSTM 以及 GRU，在生成效果、训练时长等方面

在机器学习和深度学习领域，理解不同类型的数据及其特点对于选择合适的模型至关重要。下面介绍三种主要的数据类型——表格类数据、图像/视频类数据和时序类数据，并探讨它们的特点以及适用的算法和技术。通过具体的案例代码，更直观地体验每一个概念。

在Transformer模型中，残差连接（Residual Connection）和层归一化（Layer Normalization）是两个关键设计，用于提升模型的训练稳定性和性能。

实现 **Transformer模型** 的核心架构，包含编码器（Encoder）、解码器（Decoder）、多头注意力（MultiHeadedAttention）、位置编码（PositionalEncoding）等关键组件，支持动态掩码生成和序列到序列（Seq2Seq）任务。