RAG需要的知识库往往对用户来说具有隐私性，用户更希望能在本地部署，这意味着要同时部署本地的大模型，而本地部署大模型又需要算力支持，一般用户很难有较强的算力，此时在算力资源下往往只能选择一些较小的LLM模型，比如7B大小的模型，而这些较小的LLM基本能力上无法和600多B的LLM相比，此时模型的能力也就较弱。前面教程中，我们通过优化检索策略、召回重排略以及基于大模型的查询重写策略来提升了RAG系统

LazyLLM 团队基于各专业的语料特性，设计专属文档处理 Pipeline，将自定义切片策略（Transform）与节点分组策略（Node Group）以可插拔方式嵌入，兼顾跨专业的一致性与专业内的个性化。，商汤大装置为勘察设计人员打造了国铁勘察设计知识检索、知识问答、文本生成、文档审核以及多模态对话等功能，减轻报告撰写工作量，提高审核效率与质量，助力勘察设计工作。日常工作并不只需要问答。，算法

最后的匹配阶段，将前几步的输出（结构信息和内容信息），根据物理位置关系进行精准匹配与对齐，对应到统一的HTML的语义标签上，最终生成一个完整的HTML表格字符串。下图为表格的HTML表示（左边）以及对应的图片显示（右边），比如<td></td>表示单元格，colspan="2"表示合并单元格等，表格解析即是将图片解析为对应的HTML表达的过程。：表格作为人类高效组织数据的一种方式，数据质量高、知识

每个问题都附有自然语言形式的答案，这些答案不仅提供了最终的结果，还详细解释了解题的步骤和过程。我们使用DeepSeek-R1来对小模型进行蒸馏，其过程大致如下图所示：首先我们选取 GSM8K 数据集，使用其训练集中的题目来不断喂给DeepSeek-R1来获得用于训练的问答对，在获得蒸馏训练集后为了查看思维链在其中的效果，我们还单独剔除了数据集中的思维链来作为另外一个训练集，基于这两个训练集分别微调

为应用开发过程中的全部环节（包括应用搭建、数据准备、模型部署、模型微调、评测等）提供了大量的工具，协助开发者用极低的成本构建AI应用，并可以持续地迭代优化效果。LazyLLM的一站式工具链配合PPIO的算力底座，为AI应用开发提供了一条“即开即用”的捷径。成功安装LazyLLM后，您可以在命令行中使用lazyllminstallxxx的命令，以针对不同的使用场景安装响应的依赖。目前，双方的适配已全

LazyLLM 是一个面向 AI 应用工程化的通用框架，核心目标不是做一个“再封装一层模型调用的工具”，而是提供一套可编排、可扩展、可组合的能力底座，把 Flow、Agent、RAG、模型推理与微调、Skill 等关键能力统一在同一框架下，让复杂系统可以被结构化拆解和快速搭建。我们关注的不是单点能力的炫技，而是如何让个人和小团队，也能具备构建完整 AI 应用的工程能力。LazyLLM在官网。

结构上：三层架构清晰解耦。接入上：@cpp_class + @cpp_proxy 双模式兼顾性能与扩展。语义上：优先保持 Python 行为一致，再追求极致性能。路线上：先打核心，再逐步扩大到存储和检索热点。简单说，就是让 RAG 在真实业务里“跑得更快、改得更稳、扩得更久”。欢迎升级体验 LazyLLM 最新版本，请大家去 github 上点一个免费的 star，支持一下～

离线解析。

但问题在于，这两种操作，写法往往是一样的，于是就很容易出现这种情况：本来只是想改当前对象，结果把全局改了；通过这个例子，你可以更直观的感受到 @DynamicDescriptor 在你的真实代码中能起到什么作用，可以充分利用它对调用者的感知能力，优化整体类和函数的设计。因此，被 DynamicDescriptor 修饰的方法，可以统一写成如下写法，而不需要提前决定它是实例方法还是类方法。针对这个问

如果只把 LazyLLM 的Flow看成一个更好写的 pipeline，就低估它了。它真正解决的是：当 AI 应用从 Demo 走向工程化部署时，如何把数据流编排、参数透传、模块发现、服务启动和服务发现，统一进同一个抽象里。用Flow组织算法链路；用Bind组织参数关系；用把整条链路接入部署体系。所以，Flow 在 LazyLLM 里从来不只是“数据管道”，而是 AI 应用从原型走向工程系统的一座