向量数据库是一种专门用于存储、管理和检索高维向量（Embedding）的数据库，区别于传统关系型数据库（存储结构化数据）和文档型数据库（存储非结构化文本），其核心优势是高效的“语义相似度检索”，能够快速从海量向量中找到与查询向量最相似的向量。在RAG技术中，向量数据库是核心组件——用于存储文档片段的向量，支撑top-K语义检索的高效执行，解决了“海量向量快速匹配”的痛点（若直接用内存存储，当向量数

1. 评估落地：优先用Ragas进行快速原型评估，量化核心质量指标与能力指标；用TruLens进行生产级全链路评估与监控，定位问题并迭代优化。2. 应用选型：个人/小团队入门用FastGPT，快速部署验证；企业级场景用RAGFlow或Dify，兼顾扩展性与协作需求；需高度自定义用纯代码开发（LangChain+评估工具）。3. 核心优化方向：围绕“上下文相关性、答案忠实度”优化检索策略（切片、向量

在 RAG 中，向量（Embedding Vector）是把文本、图片、语音等非结构化数据，转换成固定长度、低维度、计算机可计算的数值数组。"人工智能"长度：通常 768/1024/1536 维（由模型决定）语义相近的文本，向量空间距离更近表格算法适用场景RAG 推荐度核心特点余弦相似度文本语义检索⭐⭐⭐⭐⭐忽略长度，专注语义欧式距离 L2图像、数值数据⭐受长度影响，文本效果差向量 = 文本的语义

RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合检索机制与大语言模型的AI技术架构，核心逻辑是：先从外部知识库中检索与用户问题相关的真实、精准知识片段，再将这些片段作为上下文输入LLM，引导模型基于检索到的事实生成答案，而非单纯依赖模型内置知识。RGA（Retrieval-Generation Analysis，检索生成分析）是针对RAG系统的全链路评

提示工程（Prompt Engineering）是通过设计、优化、迭代输入指令（Prompt），引导大语言模型（LLM）输出精准、合规、高质量结果的技术，本质是人类与AI的高效沟通话术，核心是让模型理解任务目标、约束条件、输出格式，而非单纯提问。基于CoT的进阶技巧，让模型对同一任务生成多条不同推理路径，通过投票、筛选选出最一致、最合理的结果，解决单轮推理的随机性和错误问题。核心逻辑。

提示词是人类向大语言模型（LLM）下达指令、传递需求、限定边界的标准化指令文本，是人机协同的“沟通桥梁”。它不是简单的问句，而是包含指令、背景、规则、示例等信息的完整指令集，直接决定AI输出的精准度、质量和实用性。优质Prompt能让AI精准对齐意图，劣质Prompt则会导致答非所问、逻辑混乱、内容冗余，甚至出现幻觉输出。提示工程是系统性设计、优化、迭代提示词的方法论与实操技术，属于AI时代核心软

提示工程是系统性设计、优化、迭代提示词的技术与方法论，属于AI交互的核心技能，无需编程基础，核心目标是通过精准指令，最大化发挥大模型能力，降低无效输出，提升结果可靠性。本质是弥合人类自然语言与AI理解逻辑的鸿沟，让AI按照人类的思考框架、需求标准输出内容，而非随机生成。提示工程不是玄学，而是有规律、可复用的科学方法，适用于ChatGPT、文心一言、通义千问、Claude等所有主流大模型。核心价值：

LangChain是一个开源的PythonAI应用开发框架，它提供了构建基于大模型的AI应用所需的模块和工具。通过LangChain,开发者可以轻松地与大型语言模型（LLM）集成，完成文本生成、问答、翻译、对话等任务。LangChain降低了AI应用开发的门槛让任何人都可以基于LLM构建属于自己的创意应用。该图展示了LangChain 技术栈的模块化架构，核心围绕LangChain 框架展开，通过