chanlk

原理前面的大佬解释的很好了，下面是我从 deepseek 查到的，对普通无 AI 基础的开发更友好的解释：

用大模型结合用户文档构建问答知识库，核心原理可以用“图书馆+翻译官”的类比来理解，对普通开发者来说主要分三步：

文档预处理（类似图书编目）

把你的 PDF/Word 等文档拆成小段落（类似给每本书分章节）
用嵌入模型将文字转成向量坐标（相当于给每本书贴上精确的地理坐标）
存入向量数据库（相当于建立图书馆的索引系统）
问答过程（类似图书检索）

用户提问时，先将问题转成向量坐标
在向量数据库里找坐标最近的文档段落（类似 GPS 定位最近的图书）
只把相关段落喂给大模型（而不是整个图书馆）
答案生成（像翻译官工作）

大模型将专业文档"翻译"成人话
结合找到的段落内容生成最终回答
整个过程类似你给翻译官几页参考资料，让他帮忙解释某个问题
关于 token 消耗的关键事实：

预处理阶段（向量化）是单次成本
每次问答的 token 消耗=提问长度+检索到的文档长度+回答长度

相比直接微调大模型（需数万元成本），这种方案首次构建成本通常不超过千元，且支持动态更新文档。核心开发难点在于处理 PDF 解析和设计高效的检索策略，对熟悉 Web 开发的工程师来说，主要工作量在系统集成而非 AI 算法本身。

@Quarter 问题是这一点儿也不智能哈哈

恭喜！

你这标题很小红书!

@alogbycat #32 香港是真好吃啊，我跟我女朋友在地铁里的一个小饭店随便吃点，人均 70 多，味道比深圳的那些茶楼好吃多了。

爱情纯粹个啥，馋人家身子就不能直说

@uqf0663 可能是比较久没打开电脑吧

@tigerstudent 那这是营销过度的问题，要批评过度营销，而不是批评它本身。

@ko20 #23 这句好好矛盾，完全自动驾驶不就是最高形态的智能驾驶。就好像有人说我讨厌做亿万富翁，但是我想要成为千万富翁。