本文简单的记录了在本地部署阿里通义千问1.8B以及7B模型

本文进一步记录了千问模型的函数调用功能使用方法，大家可以一起学习交流~

本文记录了采用api的方式访问本地chatGLM2-6B的方法

服务器登录harbor失败

本文记录了Qwen模型LoRA微调后的两种启动方式。

服务器登录harbor失败

本文详细介绍了GraphRAG系统，这是一种将知识图谱与RAG框架结合的创新方法。传统RAG在处理多跳推理和深层关系时存在局限，GraphRAG通过结构化知识存储、多跳推理能力和可解释的推理路径解决了这些问题。文章系统阐述了GraphRAG的工作原理，包括知识图谱构建、查询理解与子图检索、图推理与答案生成三个阶段。完整展示了从实体关系抽取到知识图谱构建，再到子图检索和答案生成的实现代码。

本文介绍了jupyterlab的安装和配置。

RAG技术通过结合检索与生成能力，解决了传统大语言模型在专业知识和最新信息上的局限性。本文介绍了NaiveRAG的三个核心步骤：1）知识库准备（文档分块和向量化）；2）问题检索（相似度匹配）；3）答案生成（结合检索内容）。文章提供了Python实现代码，包含文档处理器、向量存储和主控制器模块，并演示了实际应用示例。NaiveRAG具有实现简单、成本低廉等优点，但也存在检索质量依赖简单向量相似度、无

本文详细介绍了GraphRAG系统，这是一种将知识图谱与RAG框架结合的创新方法。传统RAG在处理多跳推理和深层关系时存在局限，GraphRAG通过结构化知识存储、多跳推理能力和可解释的推理路径解决了这些问题。文章系统阐述了GraphRAG的工作原理，包括知识图谱构建、查询理解与子图检索、图推理与答案生成三个阶段。完整展示了从实体关系抽取到知识图谱构建，再到子图检索和答案生成的实现代码。