72

搭配 cursor 怎么样

@wingor2015 差不多的 做一份知识文件的清洗和摘要 sitemap （比如什么文件里面有什么东西，作用是什么），然后给 ai 自己去用工具检索（提供对应文件标识、检索关键词）就好了，检索后 ai 再对结果复核看能不能满足要求，不能就再修改关键字检索，比起依靠用向量捞分片，这个还靠谱些。

但是处理起来比较麻烦，比如 sitemap 怎么才会让 llm 有清晰的理解，检索工具内部如何实现才更好（多级检索/混合检索）、知识库文档怎么处理更好等等问题。

这个做出来后相当于是有一个 agent 替代原 rag 的 llm ，他可以反复优化关键词、检索并复核答案是否能满足需求，如果一句话存在多个问题，提示词调整好的情况下，可以达到一次性回答多个问题的能力。

可以了解一下这个试试：
Agentic RAG （代理式检索增强生成）可以理解为传统 RAG 的进阶版。

简单来说，它不再是“问一句、查一次、生成答案”的直线流程，而是引入了一个 AI 智能体（ Agent ） 作为“总指挥”。
这个智能体会根据你的问题，自主规划需要做什么：
它可以决定调用哪个工具（是搜百度文库、查数据库还是看网页）。
它可以决定查几次（如果一个关键词搜不到，就换个关键词再搜）。
它还能处理多步推理的问题（比如“先帮我查北京今天的天气，再根据天气推荐一家附近的火锅店”）。

用一句话总结：
传统 RAG 是被动的资料员（你问什么，给你找什么）； Agentic RAG 是主动的研究员（它理解你的意图，自己想办法找资料，甚至做分析和总结）。

GLM：这是一个非常有趣的问题，因为它涉及到了逻辑、环保甚至幽默感。我的建议是：

如果你能动手，首选“推车去”；如果你图省事，那就“开车去”。但千万不能单纯“走去”。

@YFZZ 是的 没有太多的归属感了

大家都能在家里待十几天，感觉挺好，我在家可能就待得下两三天，再待就感觉不行了。

今日可放心买入博纳了
对不住大家，我也踢到铁板了
博纳这把是耐心局

连续剧：