步骤3 ：使用文档切割器 切割文本

步骤4：将切割后的每一小分成为chunk，成为切片

步骤5：使用嵌入式模型 将 chunk 向量化（这些向量可能有几千个维度，每一个都是一个浮点数）

步骤6：将向量化的切片，存储到vectorstor中。（相当与一个数据库，只不过都是一些向量）

在此有一个疑问：为什么要对 切片 进行向量化？

        先看步骤8：将用户的问题向量化， 步骤9：在vector中寻找最相似的向量。

        从中我进行了猜想：向量化是为每一个切片中的内容贴上 详细的标签。

        方便机器根据用户的问题 寻找对应的知识。

步骤7，10：根据问题从 被向量化的数据库中 寻找匹配度高的知识 （这一步体现了“检索”二字）

步骤11， 12，13：通过提示词工程加工数据中的知识 得到提示词 （对应“增强”）

步骤14，15：生成回答

这是一个相似的图：

强调一些技术难点：

1文件解析：文件解析时，我们可能会处理图片，表格（需要从中提取文字）

2文件切割：有多种切割方式，应该选用哪种呢，它影响为数据贴标签的结果：

        比如按字数切割（每200字切割），

        按token切割，

        按语义切割（初中学文章时，老师叫我们划分段落：开头 铺垫 高潮 结尾。）

        按字符切割（\n 如果出现换行字符我们就切割）

6知识检索：检索的方式也有很多种，到底要用那种：

        基于相似度进行检索

        最大边际相关性的检索

7知识重排序：我们检索得出了很多的知识，我们呢需要从中挑选出相似度最高的一部分。

        重排序（Reranker）：适合回答 专业性问题（高精度，高相关性）：客服系统，专业知识库

        它会是反应时间边长

需要使用嵌入式模型

需要使用重排序模型