让 AI 生成数据库操作封装（db_core.py让 AI 生成对话交互脚本（db_chat.py运行脚本，直接用自然语言输入需求，自动执行。关键优势：无需懂 SQL、无需写代码，非技术人员也能操作本地数据库；借助 Cursor 的 MCP 协议，所有操作都在本地完成，数据安全无泄露；AI 自动适配需求，支持从简单增删改查到复杂统计查询。

RAG 是 “临时借知识”：每次回答都要查知识库；RAFT 是 “永久存知识”：把知识装进大模型里，之后不用再查。

步骤大白话解释关键作用拆文本单元把文档切成小片段（TextUnit），比如每 200 字一段细粒度分析，方便后续提引用提知识图谱用 LLM 从片段里抠 “实体”（比如曹操、关羽）和 “关系”（比如曹操 - 结拜 - 关羽），还有 “主张”（比如 “曹操统一了北方”）把文字变成结构化的 “关系网”，是 GraphRAG 的核心社区聚类用 Leiden 算法把相关实体归成 “社区”（比如 “三国曹魏集

基于实现的功能完整的 RAG（检索增强生成）系统，包含文档加载、索引构建、检索、增强生成、对话记忆等核心功能，同时适配本地 / 开源 LLM（如 Llama 3）和云端 LLM（如 OpenAI）。

本质是客户端与服务端完成单次请求 - 响应后，立即关闭 TCP 连接。流程：建立 TCP 连接 → 发送请求 → 接收响应 → 关闭连接。典型场景：HTTP 1.0 协议、简单数据查询（如单次接口请求）。本质是浏览器存储的小型文本数据，由服务端通过 HTTP 响应头下发。核心作用是携带身份标识（如 Session ID）、保存用户偏好（如语言设置）。特点：存储在客户端（浏览器）、容量有限（约 4K

提示词工程（Prompt Engineering）在与大语言模型（LLM）交互时，可能遇到多种问题，这些问题本质上与模型的训练逻辑、输入解析方式及安全边界有关。

核心结论：MCP 是 “万能接口 + 资源调度员”，RAG 是 “AI 专属搜索引擎”，Agent 是 “自主办事员”，三者常搭配解决复杂问题。

RAG 是 Retrieval-Augmented Generation 的缩写，本质是 “检索 + 生成” 的协同架构。核心逻辑：大模型生成答案前，先从外部知识库中检索与问题相关的精准信息，再基于这些信息生成最终回复。核心价值：解决大模型 “知识固定（训练数据截止到某一时间）”“无法访问私有数据”“易产生幻觉” 三大痛点。这套方案从零到一落地 RAG 仅需 3 步，无需复杂部署，适合快速验证场景

先说核心结论：CPU 是 “全能管家” 管统筹，GPU 是 “流水线工人军团” 干重活，AI 大模型训练和快速响应靠 GPU，系统运转和协调靠 CPU，二者配合才能让大模型跑起来。

给 AI 设定「固定规则」，让其在所有项目中遵循统一的编码规范、技术栈偏好、输出格式，避免重复沟通，生成的代码直接符合你的需求。「代码库索引 + 外部文档知识库」解决 “AI 不懂你的项目 / 业务”；「AI 审查重构 + 自定义 Rules」解决 “代码质量低、不规范”；「隐私模式」解决 “敏感代码不敢用 AI”；「模型选择」解决 “不同场景适配不同 AI 能力”；「MCP 服务器」解决 “AI