在上篇中，我们实现了基于 BGE+Chroma 的语义检索系统，它能很好地理解文本的语义，解决了传统检索 "字面匹配、语义不匹配" 的问题。由于语义检索的得分（余弦相似度，0-1）和 BM25 的得分（0-∞）尺度不同，不能直接相加，需要先进行归一化。检索效果评估是 RAG 开发中非常重要的环节，它能让我们客观地衡量不同检索方法的效果，指导我们进行优化。RRF（倒数排名融合）是一种基于排名的融合策

嵌入（Embedding）是 RAG 系统的 "眼睛"，它决定了系统能否准确理解文本的语义。这是 RAG 最核心的基础技术之一，必须彻底搞懂。在学习嵌入之前，我们先思考一个问题：计算机如何理解文本的语义？计算机只能处理数字，无法直接理解自然语言。传统的文本表示方法存在严重缺陷：One-Hot 编码是最简单的文本表示方法，它为每个词分配一个唯一的索引，然后用一个只有对应位置为 1、其余为 0 的向量

检索增强生成（Retrieval-Augmented Generation, RAG）是目前解决大模型上述三大缺陷的最主流、成本最低的技术方案。普通大模型= 闭卷考试的学生：只能靠脑子里记住的知识答题，容易答错，也不知道最新的知识RAG 增强的大模型= 开卷考试的学生：允许先翻书（检索知识库）找到相关内容，再组织语言回答问题先检索，后生成。

— 从人工写提示词到 AI 自动生成提示词，从单模型提示到多智能体协同提示，从通用提示到领域专属提示。

第一篇我们学习了提示工程的核心技术，能够写出高质量的提示词解决个人问题。但在企业级应用中，—— 你需要管理成百上千个提示词模板、进行效果量化评估、防范安全风险、保证系统稳定运行。。

提示工程（Prompt Engineering）是通过设计、优化输入文本（提示词），向大模型传递清晰的任务目标、上下文、约束条件和输出要求，引导大模型输出高质量、符合预期结果的技术体系。简单来说，提示工程就是教你如何 "问对问题"，让大模型听懂你的需求，并且给出你想要的答案。

❌适用环境： Windows WSL2 / Ubuntu*❌版本适配： Ollama ≥ 0.3.0 | OpenClaw ≥ v2026.4.11*❌文档用途： 从9��搭建本地离线大本大平台，含完完整置、界面操作、问题措查、日志查看。

JDK8：核心是“引入函数式编程”，解决了Java长期以来的代码繁琐问题，奠定了后续版本的功能基础。JDK17：核心是“稳定化与精简”，将之前预览的特性（Records、Sealed Classes等）正式落地，移除冗余API，提升稳定性。JDK21：核心是“性能与语法革命”，虚拟线程彻底改变Java并发模型，模式匹配大幅简化代码，适配云原生时代的高并发需求。JDK8是“过去的主流”，奠定了Jav

定义：Nginx 是由 Igor Sysoev 开发的开源轻量级 Web 服务器、反向代理服务器和电子邮件代理服务器，采用事件驱动的异步非阻塞架构。核心特点高并发：单台服务器可支持数万甚至数十万并发连接（默认配置下约 1-2 万，调优后可达 10 万 +）低内存：1 万并发连接仅占用约 2.5MB 内存高可用：支持热部署，7×24 小时不间断运行模块化：丰富的第三方模块生态反向代理与负载均衡：内置

智能体化：AI 从被动响应转为主动规划和执行，支持端到端开发流程多模态融合：整合文本、图像、语音等输入方式，提升交互自然度私有化部署普及：企业对数据安全重视提升，本地和私有云部署成为主流选择 AI Coding 工具时，应综合考虑开发场景、团队规模、安全需求和预算限制，找到最适合自身需求的解决方案。