方案核心工具适合场景操作步骤入门级Word2Vec + 平均池化技术资源有限，追求快速落地1. 用 Word2Vec 训练小说摘要的词向量（把每个词转换成向量）；2. 对单部小说的所有词向量取 “平均值”，得到该小说的「摘要向量」（如 100 维）；3. 优点：简单易实现，算力要求低；缺点：忽略词的顺序（如 “男主救女主” 和 “女主救男主” 向量相近）。进阶级（推荐）BERT 等预训练模型（如中

它先通过检索获取相关知识，再基于这些知识对大模型进行微调，从而让模型在特定领域的生成效果更精准，兼具 RAG 的知识更新灵活性和微调后模型的生成专业性。它把知识以图的节点和边的形式组织，在检索时不仅能检索到单条知识，还能基于图的关联关系检索到知识之间的关联信息，让生成的内容更具逻辑性和关联性，适用于需要知识间强关联推理的场景（如医疗诊断、金融分析）。（大模型选择、prompt 工程）到 ** pi

1. 注册自定义工具（AI绘画）description = 'AI绘画服务，输入文本描述返回图像URL''description': '图像描述',}]# 2. 创建智能体（调用自定义工具+代码工具）system_message='先绘画，再用代码下载，最后处理图像',function_list=['my_image_gen', 'code_interpreter'], # 自定义工具+内置代码工

查询扩展解决 “意图覆盖不足” 问题，通过多查询、双向改写丰富语义；索引扩展解决 “单一索引局限” 问题，通过离散 + 连续索引互补；Small-to-Big 解决 “长文档检索效率低” 问题，通过 “先小后大” 平衡速度与精度。落地时建议按 “基础→进阶” 的顺序：先实现 MultiQueryRetriever + 混合索引，再根据场景补充双向改写 / Small-to-Big，最后通过重排序模

场景：长期做某类开发（如 Django 后端、React 前端），需要 AI 遵循固定规范（如代码风格、命名规则、项目结构）。操作：打开 AI 侧边栏，点击 “Settings”→“Custom Prompts”，添加自定义提示词模板。示例（Django 开发规范）：“后续生成 Django 代码时，遵循以下规则：1. 模型类名使用 PascalCase，字段名使用 snake_case；2. 视

AI 帮你写代码，MCP 保障本地资源访问，终端直接测试明确数据库类型 + 需求（用自然语言描述）；让 AI 生成 “连接 + 建表 + CRUD” 代码；用 Cursor 终端运行测试；报错时让 AI 排查修复。提示词越具体，生成的代码越精准，比如明确 “数据库类型、连接参数、字段约束、操作逻辑”，AI 能直接生成可运行的代码，无需二次修改。

NumPy 和 Pandas 是 Python 数据科学领域最核心的两个库，分别专注于数值计算和数据分析，二者常结合使用以高效处理结构化和非结构化数据。NumPy（Numerical Python）是 Python 科学计算的基础库，提供了高性能的多维数组对象和数学函数，是 Pandas 等高级库的底层依赖。

Transformer 引擎，FP8 支持。PCIe 5.0 + 受限 NVLink。中小规模训练 / 推理、企业级部署。中大规模训练 / 推理、通用场景。小规模训练 / 推理、原型开发。中国区中大规模训练 / 推理。中国区大规模推理、高并发场景。算力（FP16/TF32）大显存，INT8 性能突出。中国合规，替代 A100。专业卡稳定，适合工作站。超大规模训练、顶级推理。

简单场景（聊天）：用ChatOpenAI；文档问答场景：用「Loader+Splitter+VectorDB+RetrievalQA」；复杂场景（工具调用）：用AgentTools。先跑通上面的 3 个案例，再根据具体需求（比如做公司知识库问答、AI 数据分析）拓展组件，很快就能上手实际开发。

示例（故障排查提示词）# 任务：指导用户排查Python脚本运行报错请按以下步骤输出排查指南，每步需包含“操作动作+检查点”：1. 第一步：检查Python环境- 操作：在终端执行 `python --version`- 检查点：确认版本与脚本要求一致（如脚本需Python 3.8+，避免2.x版本）2. 第二步：检查依赖库安装。