本文是 refine-rag 系列教程的第八篇，我們來學(xué)習(xí)向量存儲(chǔ)的核心技術(shù)和 Milvus 數(shù)據(jù)庫的使用。
本文所有代碼都在：https://github.com/zonezoen/refine-rag

往期系列文章

• 007：RAG 入門-向量嵌入與檢索
• 006：RAG 入門-面試官問你，RAG 為什么要切塊？
• 005：RAG 入門-LangChain讀取表格數(shù)據(jù)

目錄

• 前言
• 為什么傳統(tǒng)數(shù)據(jù)庫搞不定向量搜索？
• 向量數(shù)據(jù)庫橫向?qū)Ρ?/li>
• 為什么選擇 Milvus？
• 快速搭建 Milvus
• Milvus 核心概念
• 實(shí)戰(zhàn)示例
• 學(xué)習(xí)路徑

前言

前面我們學(xué)習(xí)了向量嵌入與檢索，知道如何把文本轉(zhuǎn)成向量、如何計(jì)算相似度。但有個(gè)問題：這些向量存在哪里？

如果只有幾千條數(shù)據(jù)，存在內(nèi)存里就夠了。但如果有幾百萬、幾千萬條數(shù)據(jù)呢？這時(shí)候就需要專業(yè)的向量數(shù)據(jù)庫。

向量數(shù)據(jù)庫就像是為向量量身定制的"倉庫管理系統(tǒng)"，它不僅能存儲(chǔ)海量向量，還能快速檢索、高效管理。

為什么傳統(tǒng)數(shù)據(jù)庫搞不定向量搜索？

上一篇文章提到，向量本質(zhì)上是一個(gè)浮點(diǎn)數(shù)數(shù)組，是機(jī)器理解文本語義的方式。

你可能會(huì)想：既然向量就是數(shù)組，那我存進(jìn) MySQL 的 JSON 字段或者直接存在內(nèi)存 List 里不行嗎？

答案是：小規(guī)?？梢?，大規(guī)模必死。

當(dāng)你的知識(shí)庫達(dá)到萬級(jí)、百萬級(jí)甚至億級(jí)時(shí)，你會(huì)面臨：

1. 檢索效率塌方（計(jì)算量過大）：
   傳統(tǒng)數(shù)據(jù)庫查找數(shù)據(jù)是“相等判斷”，而向量搜索需要計(jì)算空間距離。如果你有 100 萬條數(shù)據(jù)，每搜一次都要全表掃一遍并計(jì)算相似度O(n) 復(fù)雜，查詢一次可能要幾秒甚至幾分鐘。向量數(shù)據(jù)庫通過 ANN（近似最近鄰）算法（如 HNSW），將搜索效率提升到了毫秒級(jí)O(log n) 復(fù)雜度。
2. 維度災(zāi)難（內(nèi)存壓力）：
   一個(gè) 1536 維的向量（OpenAI 標(biāo)準(zhǔn)）看起來不大，但幾百萬條疊在一起，會(huì)瞬間撐爆普通的服務(wù)器內(nèi)存。向量數(shù)據(jù)庫專門優(yōu)化了數(shù)據(jù)的壓縮與加載策略。
3. 工程化缺失：
   向量數(shù)據(jù)庫不僅僅是“存數(shù)據(jù)”，它還提供了成熟的 CRUD、多租戶隔離、數(shù)據(jù)備份和水平擴(kuò)展（Scale-out）能力，這些是簡單的內(nèi)存庫（如 FAISS）難以勝任的。

核心對(duì)比：傳統(tǒng)數(shù)據(jù)庫 vs 向量數(shù)據(jù)庫

傳統(tǒng)數(shù)據(jù)庫查找的是精準(zhǔn)的數(shù)據(jù)，而向量數(shù)據(jù)庫則更適合模糊搜索。

• 傳統(tǒng)數(shù)據(jù)庫 (MySQL)：
  • 你問：“有沒有編號(hào)為 1024 的商品？”他秒回。
  • 你問：“有沒有長得像蘋果的手機(jī)？”他直接罷工”。
• 向量數(shù)據(jù)庫 (Milvus)：
  • 他會(huì)把所有數(shù)據(jù)轉(zhuǎn)化為空間坐標(biāo)，告訴你：“雖然我沒找到完全一樣的，但有幾個(gè)神似的數(shù)據(jù)。”

代碼層面的直觀感受

傳統(tǒng)數(shù)據(jù)庫（MySQL）：側(cè)重“準(zhǔn)”

-- 精確查詢：差一個(gè)字都搜不到
SELECT * FROM products WHERE category = '手機(jī)' AND brand = '蘋果';

-- 范圍查詢：基于確定的數(shù)值邊界
SELECT * FROM products WHERE price BETWEEN 5000 AND 8000;

• 特點(diǎn)：擅長精確匹配，基于 B-Tree 索引，查詢條件極其明確（非黑即白）。

向量數(shù)據(jù)庫（Milvus）：側(cè)重“像”

# 相似度查詢：基于“語義距離”
results = client.search(
    collection_name="products",
    data=[query_vector],  # 搜索“長得像蘋果的手機(jī)”對(duì)應(yīng)的向量
    limit=10
)

• 特點(diǎn)：擅長模糊搜索，基于向量索引（HNSW、IVF），返回的是 Top-K 個(gè)“最相似”的候選者。

向量數(shù)據(jù)庫橫向?qū)Ρ?/h2>

目前主流的向量數(shù)據(jù)庫有很多，我們來對(duì)比一下：

主流向量數(shù)據(jù)庫對(duì)比

詳細(xì)對(duì)比

1. Milvus

優(yōu)點(diǎn)：

• 性能強(qiáng)大，支持億級(jí)向量
• 索引算法豐富（HNSW、IVF、DiskANN）
• 支持混合檢索（向量 + 標(biāo)量過濾）
• 云原生架構(gòu)，易擴(kuò)展
• 社區(qū)活躍，文檔完善
• 國內(nèi)團(tuán)隊(duì)開發(fā)，中文支持好

缺點(diǎn)：

• 部署稍復(fù)雜（需要 etcd、MinIO）
• 資源占用較高

適用場景：

• 生產(chǎn)環(huán)境
• 大規(guī)模數(shù)據(jù)（建議百萬級(jí)以上使用）
• 需要高性能和穩(wěn)定性

2. Qdrant

優(yōu)點(diǎn)：

• Rust 編寫，性能優(yōu)秀
• 部署簡單（單二進(jìn)制文件）
• API 設(shè)計(jì)優(yōu)雅
• 支持 payload 過濾

缺點(diǎn)：

• 社區(qū)相對(duì)較小
• 中文文檔較少
• 大規(guī)模數(shù)據(jù)性能不如 Milvus

適用場景：

• 中小規(guī)模項(xiàng)目
• 快速原型開發(fā)
• 喜歡 Rust 生態(tài)

3. Weaviate

優(yōu)點(diǎn)：

• 內(nèi)置 GraphQL API
• 支持多模態(tài)搜索
• 自帶向量化模塊
• 語義搜索能力強(qiáng)

缺點(diǎn)：

• 學(xué)習(xí)曲線陡峭
• 資源占用高
• 配置復(fù)雜

適用場景：

• 知識(shí)圖譜應(yīng)用
• 多模態(tài)搜索
• 需要 GraphQL

4. Pinecone

優(yōu)點(diǎn)：

• 完全托管，無需運(yùn)維
• 性能優(yōu)秀
• 易用性好

缺點(diǎn)：

• 閉源，不可自部署
• 費(fèi)用較高
• 數(shù)據(jù)在國外（延遲問題）

適用場景：

• 不想自己運(yùn)維
• 預(yù)算充足
• 海外用戶

5. Chroma

優(yōu)點(diǎn)：

• 極簡設(shè)計(jì)，易上手
• 輕量級(jí)，適合開發(fā)
• 與 LangChain 集成好

缺點(diǎn)：

• 性能一般
• 不適合大規(guī)模生產(chǎn)
• 功能相對(duì)簡單

適用場景：

• 學(xué)習(xí)和原型開發(fā)
• 小規(guī)模應(yīng)用（<10 萬條）
• 快速驗(yàn)證想法

6. FAISS

優(yōu)點(diǎn)：

• Facebook 出品，算法先進(jìn)
• 性能極強(qiáng)
• 支持 GPU 加速

缺點(diǎn)：

• 不是數(shù)據(jù)庫，只是庫
• 沒有持久化（需自己實(shí)現(xiàn)）
• 沒有分布式支持

適用場景：

• 研究和實(shí)驗(yàn)
• 需要 GPU 加速
• 自己實(shí)現(xiàn)存儲(chǔ)層

7. pgvector

優(yōu)點(diǎn)：

• PostgreSQL 插件，易集成
• 利用現(xiàn)有 PG 生態(tài)
• 事務(wù)支持

缺點(diǎn)：

• 性能不如專業(yè)向量庫
• 索引算法有限
• 大規(guī)模數(shù)據(jù)吃力

適用場景：

• 已有 PostgreSQL
• 數(shù)據(jù)量不大（<100 萬）
• 需要事務(wù)支持

為什么選擇 Milvus？

綜合考慮，選擇 Milvus 作為本教程的向量數(shù)據(jù)庫，原因如下：

1. 性能強(qiáng)大

# Milvus 可以輕松處理億級(jí)向量
# 查詢延遲：毫秒級(jí)
# QPS：數(shù)千到數(shù)萬

2. 索引算法豐富

3. 功能完善

• 混合檢索（向量 + 標(biāo)量過濾）
• 分區(qū)管理（Partition）
• 多租戶支持（Database）
• 動(dòng)態(tài)字段（Dynamic Field）
• 全文檢索（BM25）
• 范圍搜索（Range Search）
• 分組搜索（Group Search）

4. 生態(tài)完善

# 與主流框架無縫集成
from langchain_milvus import Milvus
from llama_index.vector_stores import MilvusVectorStore

5. 國內(nèi)支持好

• 中文文檔完善
• 社區(qū)活躍（國內(nèi)團(tuán)隊(duì)）
• 國內(nèi)訪問速度快
• 技術(shù)支持響應(yīng)快

6. 云原生架構(gòu)

Milvus 架構(gòu)：
┌─────────────────────────────────────┐
│         Milvus Coordinator          │  協(xié)調(diào)層
├─────────────────────────────────────┤
│  Query Node  │  Data Node  │ Index  │  計(jì)算層
├─────────────────────────────────────┤
│    etcd    │    MinIO    │  Pulsar │  存儲(chǔ)層
└─────────────────────────────────────┘

• 存儲(chǔ)計(jì)算分離
• 易于水平擴(kuò)展
• 高可用性

7. 面試

現(xiàn)在很多企業(yè)也是用的這套方案，我們學(xué)習(xí)這些不就是奔著找工作去的嗎？直接朝著目標(biāo)前進(jìn)不好嗎？

快速搭建 Milvus

Docker Compose（推薦）

文件：docker-compose.yml

version: "3.8"

services:
  # ----------------------------------------------------------------
  # 1. etcd - 元數(shù)據(jù)存儲(chǔ)
  # ----------------------------------------------------------------
  etcd:
    image: quay.io/coreos/etcd:v3.5.5
    container_name: milvus-etcd
    environment:
      - ETCD_AUTO_COMPACTION_MODE=revision
      - ETCD_AUTO_COMPACTION_RETENTION=1000
      - ETCD_QUOTA_BACKEND_BYTES=4294967296
      - ETCD_SNAPSHOT_COUNT=50000
    volumes:
      - ./milvus_data/etcd:/etcd
    command: etcd -advertise-client-urls=http://127.0.0.1:2379 -listen-client-urls http://0.0.0.0:2379 --data-dir /etcd
    healthcheck:
      test: ["CMD", "etcdctl", "endpoint", "health"]
      interval: 30s
      timeout: 20s
      retries: 3

  # ----------------------------------------------------------------
  # 2. MinIO - 對(duì)象存儲(chǔ)
  # ----------------------------------------------------------------
  minio:
    image: minio/minio:RELEASE.2023-03-20T20-16-18Z
    container_name: milvus-minio
    environment:
      MINIO_ACCESS_KEY: minioadmin
      MINIO_SECRET_KEY: minioadmin
    ports:
      - "9001:9001"
      - "9000:9000"
    volumes:
      - ./milvus_data/minio:/minio_data
    command: minio server /minio_data --console-address ":9001"
    healthcheck:
      test: ["CMD", "curl", "-f", "http://localhost:9000/minio/health/live"]
      interval: 30s
      timeout: 20s
      retries: 3

  # ----------------------------------------------------------------
  # 3. Milvus Standalone - 向量數(shù)據(jù)庫
  # ----------------------------------------------------------------
  milvus-standalone:
    image: milvusdb/milvus:v2.5.4
    container_name: milvus-standalone
    command: ["milvus", "run", "standalone"]
    security_opt:
      - seccomp:unconfined
    environment:
      ETCD_ENDPOINTS: etcd:2379
      MINIO_ADDRESS: minio:9000
      # ----------------------------------------------------------------
      # 開啟認(rèn)證（設(shè)置密碼）
      # ----------------------------------------------------------------
      # 取消下面兩行注釋即可開啟用戶認(rèn)證
      # COMMON_SECURITY_AUTHORIZATIONENABLED: "true"  # 開啟認(rèn)證
      # COMMON_SECURITY_DEFAULTROOTPASSWORD: "your_password_here"  # 設(shè)置 root 用戶密碼
      # 
      # 開啟后，Python 連接時(shí)需要提供 token：
      # client = MilvusClient(
      #     uri="http://localhost:19530",
      #     token="root:your_password_here"
      # )
    volumes:
      - ./milvus_data/milvus:/var/lib/milvus
    healthcheck:
      test: ["CMD", "curl", "-f", "http://localhost:9091/healthz"]
      interval: 30s
      start_period: 90s
      timeout: 20s
      retries: 3
    ports:
      - "19530:19530"
      - "9091:9091"
    depends_on:
      - "etcd"
      - "minio"

啟動(dòng)步驟

# 1. 進(jìn)入目錄
cd rag/08-向量存儲(chǔ)/

# 2. 啟動(dòng)所有服務(wù)
docker compose up -d

# 3. 查看服務(wù)狀態(tài)
docker compose ps

# 4. 查看日志（等待啟動(dòng)完成）
docker compose logs -f milvus-standalone

# 看到這行說明啟動(dòng)成功：
# [INFO] Milvus Proxy successfully started

驗(yàn)證安裝

from pymilvus import MilvusClient

# 連接 Milvus
client = MilvusClient(uri="http://localhost:19530")

# 列出數(shù)據(jù)庫
databases = client.list_databases()
print("數(shù)據(jù)庫列表:", databases)  # ['default']

print("? Milvus 連接成功！")

停止服務(wù)

# 停止服務(wù)（保留數(shù)據(jù)）
docker compose stop

# 停止并刪除容器（保留數(shù)據(jù)）
docker compose down

# 停止并刪除所有數(shù)據(jù)
docker compose down -v
rm -rf milvus_data/

服務(wù)端口說明

訪問 MinIO 控制臺(tái)

瀏覽器打開：http://localhost:9001

• 用戶名：minioadmin
• 密碼：minioadmin

可以看到 Milvus 存儲(chǔ)的向量數(shù)據(jù)。

Milvus 核心概念

1. Database（數(shù)據(jù)庫）

類比：圖書館的不同樓層

# 創(chuàng)建數(shù)據(jù)庫
client.create_database(db_name="my_rag_system")

# 切換數(shù)據(jù)庫
client.use_database(db_name="my_rag_system")

# 列出所有數(shù)據(jù)庫
databases = client.list_databases()

用途：

• 隔離不同業(yè)務(wù)
• 多租戶管理

2. Collection（集合）

類比：圖書館的書架

# 創(chuàng)建集合（快速模式）
client.create_collection(
    collection_name="documents",
    dimension=128  # 向量維度
)

特點(diǎn)：

• 必須包含向量字段
• 類似 MySQL 的表

3. Schema（表結(jié)構(gòu)）

類比：書籍的目錄格式

from pymilvus import CollectionSchema, FieldSchema, DataType

# 定義字段
fields = [
    FieldSchema(name="id", dtype=DataType.INT64, is_primary=True, auto_id=True),
    FieldSchema(name="vector", dtype=DataType.FLOAT_VECTOR, dim=128),
    FieldSchema(name="text", dtype=DataType.VARCHAR, max_length=1000),
    FieldSchema(name="source", dtype=DataType.VARCHAR, max_length=100),
]

# 創(chuàng)建 Schema
schema = CollectionSchema(
    fields=fields,
    description="文檔集合",
    enable_dynamic_field=True  # 允許動(dòng)態(tài)字段
)

# 創(chuàng)建集合
client.create_collection(
    collection_name="documents",
    schema=schema
)

4. Partition（分區(qū)）

類比：書架的不同層

# 創(chuàng)建分區(qū)
client.create_partition(
    collection_name="documents",
    partition_name="tech_docs"
)

# 插入數(shù)據(jù)到指定分區(qū)
client.insert(
    collection_name="documents",
    data=[...],
    partition_name="tech_docs"
)

# 只在指定分區(qū)搜索（速度更快）
results = client.search(
    collection_name="documents",
    data=[query_vector],
    partition_names=["tech_docs"]
)

優(yōu)勢：

• 提高搜索速度
• 方便數(shù)據(jù)管理
• 節(jié)省內(nèi)存

5. Index（索引）

后續(xù)的文章會(huì)介紹如何選擇索引類型和距離度量方式。

類比：圖書館的索引系統(tǒng)

# 創(chuàng)建索引
index_params = client.prepare_index_params()
index_params.add_index(
    field_name="vector",
    index_type="HNSW",  # 索引類型
    metric_type="L2",   # 距離度量
    params={
        "M": 16,
        "efConstruction": 200
    }
)

client.create_index(
    collection_name="documents",
    index_params=index_params
)

常用索引：

• FLAT：小數(shù)據(jù)集，暴力搜索
• IVF_FLAT：中等數(shù)據(jù)集
• HNSW：高性能
• DiskANN：超大規(guī)模

6. Load/Release（加載/釋放）

類比：從倉庫搬到閱覽室

# 加載到內(nèi)存（必須?。?client.load_collection(collection_name="documents")

# 查詢（從內(nèi)存讀取，快）
results = client.search(...)

# 釋放內(nèi)存
client.release_collection(collection_name="documents")

為什么需要 load？

• 向量搜索需要大量計(jì)算
• 從內(nèi)存讀取比磁盤快 100 倍
• 兼顧持久化和性能

實(shí)戰(zhàn)示例

完整示例：黑神話悟空妖怪?jǐn)?shù)據(jù)庫

文件：a-working-sample.py

import logging
import pandas as pd
from pymilvus import MilvusClient, DataType, FieldSchema, CollectionSchema
from sentence_transformers import SentenceTransformer
from tqdm import tqdm

# 隱藏日志
logging.getLogger("pymilvus").setLevel(logging.CRITICAL)

# ——————————————
# 1. 準(zhǔn)備數(shù)據(jù)
# ——————————————
data_records = [
    {
        "monster_id": "BM001",
        "monster_name": "虎先鋒",
        "location": "竹林關(guān)隘",
        "difficulty": "High",
        "synonyms": "猛虎妖, 虎妖",
        "description": "在竹林關(guān)卡中出現(xiàn)的猛虎型妖怪，力量強(qiáng)大。"
    },
    {
        "monster_id": "BM002",
        "monster_name": "火猿",
        "location": "火山洞窟",
        "difficulty": "Low",
        "synonyms": "烈焰猿, 炎猿",
        "description": "生活在火山洞窟的猿類妖怪，只是插科打諢的小兵。"
    },
]
df = pd.DataFrame(data_records)

# ——————————————
# 2. 連接 Milvus
# ——————————————
client = MilvusClient(uri="http://localhost:19530")
collection_name = "Wukong_Monsters"

# ——————————————
# 3. 加載 Embedding 模型
# ——————————————
print("加載 embedding 模型...")
embedding_model = SentenceTransformer('BAAI/bge-small-zh-v1.5')
sample_embedding = embedding_model.encode(["示例文本"])[0]
vector_dim = len(sample_embedding)
print(f"向量維度: {vector_dim}")

# ——————————————
# 4. 定義 Schema 并創(chuàng)建集合
# ——————————————
fields = [
    FieldSchema(name="id", dtype=DataType.INT64, is_primary=True, auto_id=True),
    FieldSchema(name="vector", dtype=DataType.FLOAT_VECTOR, dim=vector_dim),
    FieldSchema(name="monster_id", dtype=DataType.VARCHAR, max_length=50),
    FieldSchema(name="monster_name", dtype=DataType.VARCHAR, max_length=100),
    FieldSchema(name="location", dtype=DataType.VARCHAR, max_length=100),
    FieldSchema(name="difficulty", dtype=DataType.VARCHAR, max_length=20),
    FieldSchema(name="synonyms", dtype=DataType.VARCHAR, max_length=200),
    FieldSchema(name="description", dtype=DataType.VARCHAR, max_length=500),
]

schema = CollectionSchema(
    fields,
    description="Wukong Monsters",
    enable_dynamic_field=True
)

if not client.has_collection(collection_name):
    client.create_collection(collection_name=collection_name, schema=schema)

# ——————————————
# 5. 創(chuàng)建索引
# ——————————————
index_params = client.prepare_index_params()
index_params.add_index(
    field_name="vector",
    index_type="AUTOINDEX",
    metric_type="L2"
)
client.create_index(collection_name=collection_name, index_params=index_params)

# ——————————————
# 6. 插入數(shù)據(jù)
# ——————————————
for start_idx in tqdm(range(len(df)), desc="插入數(shù)據(jù)"):
    row = df.iloc[start_idx]
    
    # 準(zhǔn)備向量文本
    doc_parts = [str(row['monster_name'])]
    if row['synonyms']:
        doc_parts.append(f"(別名：{row['synonyms']})")
    if row['location']:
        doc_parts.append(f"場景：{row['location']}")
    if row['description']:
        doc_parts.append(f"描述：{row['description']}")
    doc_text = "；".join(doc_parts)
    
    # 生成向量
    embedding = embedding_model.encode([doc_text])[0]
    
    # 插入數(shù)據(jù)
    data_to_insert = [{
        "vector": embedding.tolist(),
        "monster_id": str(row["monster_id"]),
        "monster_name": str(row["monster_name"]),
        "location": str(row["location"]),
        "difficulty": str(row["difficulty"]),
        "synonyms": str(row["synonyms"]),
        "description": str(row["description"])
    }]
    
    client.insert(collection_name=collection_name, data=data_to_insert)

# ——————————————
# 7. 加載到內(nèi)存
# ——————————————
print("\n加載 Collection 到內(nèi)存...")
client.load_collection(collection_name=collection_name)
print("? Collection 已加載")

# ——————————————
# 8. 向量搜索
# ——————————————
search_query = "高難度妖怪"
search_embedding = embedding_model.encode([search_query])[0]

search_result = client.search(
    collection_name=collection_name,
    data=[search_embedding.tolist()],
    limit=3,
    output_fields=["monster_name", "location", "difficulty", "synonyms"]
)

print(f"\n搜索結(jié)果 '{search_query}':")
for hits in search_result:
    for hit in hits:
        print(f"  - {hit['entity']}")

# ——————————————
# 9. 條件查詢
# ——————————————
query_result = client.query(
    collection_name=collection_name,
    filter="difficulty == 'Low'",
    output_fields=["monster_name", "location", "difficulty", "synonyms"]
)

print(f"\n難度為 Low 的妖怪：")
for result in query_result:
    print(f"  - {result}")

運(yùn)行結(jié)果

加載 embedding 模型...
向量維度: 512

插入數(shù)據(jù): 100%|████████████| 2/2 [00:00<00:00, 10.5it/s]

加載 Collection 到內(nèi)存...
? Collection 已加載

搜索結(jié)果 '高難度妖怪':
  - {'monster_name': '虎先鋒', 'location': '竹林關(guān)隘', 'difficulty': 'High', 'synonyms': '猛虎妖, 虎妖'}

難度為 Low 的妖怪：
  - {'monster_name': '火猿', 'location': '火山洞窟', 'difficulty': 'Low', 'synonyms': '烈焰猿, 炎猿'}

學(xué)習(xí)路徑

1. 簡易 RAG 學(xué)習(xí)
2. LCEL 語法學(xué)習(xí)
3. LangChain 讀取數(shù)據(jù)
   1. LangChain 讀取文本數(shù)據(jù)
   2. LangChain 讀取圖片數(shù)據(jù)
   3. LangChain 讀取 PDF 數(shù)據(jù)
   4. LangChain 讀取表格數(shù)據(jù)
4. 文本切塊
5. 向量嵌入與檢索
6. 向量存儲(chǔ) ← 當(dāng)前
7. 檢索前處理
8. 索引優(yōu)化
9. 檢索后處理
10. 響應(yīng)生成
11. 系統(tǒng)評(píng)估

項(xiàng)目地址

本文所有代碼示例都在 GitHub 開源：

https://github.com/zonezoen/refine-rag

歡迎 Star 和 Fork，一起學(xué)習(xí) RAG 技術(shù)！