知序
返回
保存草稿
发布
H1
H2
H3
1
2
3
Excalidraw 图
AI 写作
AI 优化
目录
输入内容后显示目录
Markdown
# 01 - RAG 概述与核心思想 > 导读:本文从"大模型明明很强,为什么一到企业私有知识问答就开始一本正经地胡说八道"这个面试高频疑问出发,把 RAG 的定义、它要解决的五个痛点、与微调/长上下文的取舍、离线索引与在线查询的两段式架构、八步核心流程、最小可运行代码以及 Naive/Advanced/Modular 三个阶段讲透,最后给出工程实践与踩坑。适合准备大模型应用岗面试、刚接触 RAG 的同学。  *图:RAG 的完整链路——分块、向量化、检索与生成* ## 一、先建立全局认知 ### Q:什么是 RAG?一句话怎么答? A:结论先行——RAG(Retrieval-Augmented Generation,检索增强生成)就是"先检索相关知识,再让大语言模型(LLM,Large Language Model)基于这些知识生成回答",本质是给 LLM 开卷考试,而不是闭卷考试。 为什么这个类比如此贴切?因为传统 LLM 的工作方式是"闭卷":它只能依靠训练时被压缩进参数里的知识来答题。而 RAG 在答题前先把相关资料翻出来,摆在模型面前,让它"照着资料答"。这就把"模型记不记得"的问题,转化成了"资料找不找得到 + 模型会不会读"的问题。 两条链路对比,可以直观说明差异:  *图:传统 LLM 只靠训练知识,RAG 先检索再让 LLM 回答* ```text 传统 LLM: 用户提问 → LLM(只靠训练时学到的知识)→ 回答 问题:知识过时、幻觉、不了解私有数据 RAG: 用户提问 → 检索相关文档 → 把文档 + 问题一起给 LLM → 回答 优势:知识实时更新、减少幻觉、支持私有数据 ``` 这里要抓住一个面试要点:RAG 并没有改变模型的生成能力,它改变的是**模型在生成前能看到什么信息**。所以 RAG 的效果上限,等于"检索到的资料质量"和"模型阅读与归纳能力"这两者的乘积——任何一环塌掉,整体都会塌。 ### Q:为什么需要 RAG?LLM 到底有哪些硬伤? A:结论先行——因为 LLM 有五个绕不过去的天然局限,而 RAG 恰好一一对应地提供了低成本解法。 先看 LLM 侧的问题清单: ```text LLM 的局限性: 1. 知识截止日期:训练数据有截止时间,不知道最新信息 2. 幻觉问题:不知道的东西会编造看似合理的答案 3. 私有数据:无法访问企业内部文档、数据库 4. 上下文窗口有限:不能把所有文档塞进 Prompt 5. 微调成本高:每次知识更新都重新微调不现实 ``` 再逐条看 RAG 的对应解法: ```text RAG 的解决方式: 1. 知识库随时更新,不需要重新训练模型 2. 基于检索到的真实文档回答,减少幻觉 3. 可以接入任何私有数据源 4. 只检索最相关的片段,不浪费上下文窗口 5. 不需要微调,即插即用 ``` 把两段对齐来看,逻辑就非常清楚了:知识过时 → 知识库随时更新;幻觉 → 用真实文档兜底;私有数据 → 接任意数据源;窗口有限 → 只塞最相关的几个片段;微调昂贵 → 免训练即插即用。 其中特别值得展开的是"幻觉为什么能靠 RAG 缓解"。幻觉的根源之一是模型在参数里没有对应知识时,仍然会按语言的统计规律补出一个"看起来合理"的答案。RAG 的做法是把相关原文直接放进上下文,模型的任务从"凭记忆回忆"变成"从给定材料中抽取与归纳",出错空间被大幅压缩。注意措辞:是**减少**幻觉,不是**消除**幻觉——如果检索到的资料本身错了,或者模型无视资料自由发挥,幻觉依然存在。这一点在面试里常被追问,答"减少"比答"消除"更专业。 ### Q:RAG 和"直接把文档粘贴进对话框"有什么区别? A:结论先行——区别不在于"有没有给模型资料",而在于**资料的获取是否自动化、可规模化、可检索定位**。 手动粘贴文档,本质上就是一次人工的、一次性的、全量的"上下文注入":你得自己找到文档、自己复制、还要受限于上下文窗口只能贴一小部分,换个人、换份文档就不可复用。RAG 把它工程化成了"按需检索 + 自动拼接":文档提前入库,提问时由系统自动找出最相关的片段,精准且可复用。 可以用一张表把几种"让模型知道更多"的路线放在一起比较,这也是面试常见的对比题: ```text 路线 知识来源 更新方式 典型代价 直接粘贴文档 人工挑选的少量文档 每次手动搬运 不可复用、受窗口限制 RAG 预先建好的知识库 文档更新即生效 需要索引与检索工程 微调 训练时写入参数 需重新训练 高成本、更新慢 长上下文 单次请求携带的文档 每次请求传入 受窗口与成本限制 ``` 顺带把另一个高频疑问一并答掉。 ### Q:RAG 和搜索引擎有什么区别? A:结论先行——搜索引擎返回的是"链接列表",由人自己点进去读;RAG 返回的是"读完之后的一句话答案",并附上依据。 这个区别可以从三个维度拆开: - **输出形态不同**:搜索引擎的目标是"把相关网页交给你",排序依赖链接质量、点击行为等信号;RAG 的目标是"替你读,然后给你结论",输出是一段自然语言。 - **责任边界不同**:搜索引擎把信息筛选与理解的负担留给用户;RAG 把这一步交给 LLM,因此它对"检索是否准确"更加敏感——因为用户通常看不到中间原文,只能看到最终答案。 - **工程组件高度重合**:RAG 里的稠密检索、BM25、混合检索、重排序,很多思路与搜索引擎一脉相承,区别在于 RAG 多了一层"生成"和"上下文拼接"。 一句话收束:**搜索引擎解决"找得到",RAG 解决"找得到并且直接答出来"**。也正因如此,RAG 比搜索引擎更需要可解释性设计(引用来源),否则用户无法判断答案可信度。 ## 二、理解核心机制 ### Q:RAG 的整体架构分哪几个阶段? A:结论先行——分两大阶段:**离线索引阶段(Indexing)**负责把文档变成可检索的向量库,**在线查询阶段(Querying)**负责把用户问题变成检索请求并生成回答。  *图:RAG 的两阶段——离线索引与在线查询* ```text ┌─────────────────────────────────────────────────────────┐ │ RAG 系统 │ │ │ │ ┌─────────────── 离线索引阶段 ──────────────────┐ │ │ │ │ │ │ │ 文档 → 分块(Chunking) → 向量化(Embedding) │ │ │ │ ↓ │ │ │ │ 向量数据库 │ │ │ │ (Vector DB) │ │ │ └───────────────────────────────────────────────┘ │ │ │ │ ┌─────────────── 在线查询阶段 ──────────────────┐ │ │ │ │ │ │ │ 用户提问 │ │ │ │ ↓ │ │ │ │ Query 向量化 │ │ │ │ ↓ │ │ │ │ 向量检索(找到最相关的 Top-K 文档块) │ │ │ │ ↓ │ │ │ │ 构造 Prompt(问题 + 检索到的上下文) │ │ │ │ ↓ │ │ │ │ LLM 生成回答 │ │ │ │ ↓ │ │ │ │ 返回给用户 │ │ │ └───────────────────────────────────────────────┘ │ └─────────────────────────────────────────────────────────┘ ``` 这张图要记住三个关键设计: - **离线与在线分离**:索引是"重活",只在文档变更时做;查询是"快活",每次提问都做,必须在毫秒到秒级完成。把两者分开,才能各自优化。 - **两端都在做向量化**:文档被向量化,Query 也被向量化,只有落在同一个向量空间里,"算相似度"才有意义。这是新手最容易忽略的一致性约束——换 Embedding 模型,索引必须重建。 - **Top-K 是核心旋钮**:检索不是"找一篇文档",而是"找 K 个最相关的片段"。K 太小会缺信息,K 太大会引入噪声并占用上下文窗口。  *图:RAG 系统架构:离线索引与在线问答流程* ### Q:核心流程可以拆成哪八步? A:结论先行——离线四步(Load、Split、Embed、Store)+ 在线四步(Embed Query、Retrieve、Augment、Generate)。 ```text 离线阶段(Indexing): 1. Load:加载文档(PDF、Word、网页、数据库...) 2. Split:将文档切分成小块(Chunk) 3. Embed:将每个 Chunk 转换为向量 4. Store:将向量存入向量数据库 在线阶段(Querying): 5. Embed Query:将用户问题转换为向量 6. Retrieve:在向量数据库中检索最相似的 Chunk 7. Augment:将检索到的 Chunk 拼接到 Prompt 中 8. Generate:LLM 基于 Prompt 生成回答 ``` 逐句解读这八步的职责边界,面试时可以按"输入—处理—输出"三段式回答: - **Load**:把异构格式(PDF/Word/网页/数据库)统一成文本 + 元数据。这一步决定了后面所有环节的原料质量,脏数据进来,垃圾答案出去。 - **Split**:把长文档切成语义较完整的小块。切得太碎丢上下文,切得太大噪声多,是个典型的平衡取舍。 - **Embed**:把每个 Chunk 映射成定长稠密向量,"语义相近的文本向量距离近"是它全部威力的来源。 - **Store**:把向量连同原文和元数据写进向量数据库,建立索引以支撑近似检索。 - **Embed Query**:用户问题走**同一个** Embedding 模型,保证和文档向量在同一空间可比。 - **Retrieve**:按相似度返回 Top-K,这是 RAG 的"召回"环节,也是效果瓶颈的主要来源。 - **Augment**:把召回片段拼进 Prompt 模板,同时加入规则约束(如"只基于资料回答")。 - **Generate**:LLM 完成最终的抽取、归纳与表述。 一句常见的总结是:**八步里,前四步决定"有没有料",第五到七步决定"料对不对、放得好不好",第八步决定"读得懂不懂"**。 ### Q:离线阶段和在线阶段各自的性能诉求有什么不同? A:结论先行——离线阶段容忍慢、要求准;在线阶段容忍略低准、但必须快。 - **离线索引** 是批处理任务,耗时以分钟到小时计都可以接受,因此可以用更大更强的 Embedding 模型、更精细的分块、更复杂的索引结构,一切以检索质量为先。 - **在线查询** 是交互式任务,用户对延迟敏感,因此检索通常要毫秒到亚秒级返回;重排序、Query 改写这类"额外一次模型调用"的步骤,上线前都要评估其对延迟的影响。 - 两者共同受一条硬约束:**向量空间一致**——离线用什么模型编码文档,在线就必须用同一个模型编码 Query。 这个"离线求准、在线求快"的分工,是理解整个 RAG 工程优化的主线。 ### Q:为什么说检索质量是 RAG 的天花板? A:结论先行——因为生成阶段只能"用给定的资料",检索没召回的正确内容,LLM 无论如何也变不出来。 举个极端的例子:用户问"公司差旅报销上限是多少",知识库里有答案,但检索返回的全是无关章节。此时 LLM 只有两个选择——要么说"资料里没有",要么顺着无关资料猜一个数字,后者就是幻觉。这两个结果都不能怪 LLM,锅在检索。 所以在工程投入的优先级上,通常的顺序是:**先把检索做对(分块、Embedding、混合检索、重排序),再去调 Prompt 和模型**。反过来做,往往是在给一个漏水的桶刷漆。 ### Q:为什么说 Top-K 是 RAG 里最敏感的参数? A:结论先行——因为 K 同时决定了"信息是否充分"和"噪声是否可控",是召回率与精确率的直接调节旋钮。 - **K 太小**:正确片段可能排在更后面被截掉,模型信息不足,于是答不出或答偏。 - **K 太大**:无关片段大量涌入,既挤占上下文窗口,又稀释了正确信息,模型更容易被噪声带偏。 - **K 与成本正相关**:拼进 Prompt 的 token 越多,单次调用越贵、延迟越高。 工程上的常见做法是"粗召回、精排序":先用较大的 K(例如十几到几十)保证召回率,再用重排序把最相关的几条留下。这样 K 就不必在"够不够"和"乱不乱"之间二选一。 ## 三、方案选型:RAG vs 微调 vs 长上下文 ### Q:RAG、微调、长上下文该怎么选? A:结论先行——知识密集型问答和私有数据场景优先 RAG;要改变模型行为/风格/输出格式用微调;少量文档的深度理解用长上下文;预算充足时 RAG + 微调效果最佳。 ```text 方案 适用场景 成本 知识更新 RAG 知识密集型问答、私有数据 低 实时 微调 改变模型行为/风格/格式 高 需重新训练 长上下文 少量文档的深度理解 中 每次请求传入 RAG+微调 最佳效果(先微调再 RAG) 最高 部分实时 ``` 记住一句话:**大多数场景 RAG 就够了,微调是锦上添花**。 ### Q:为什么微调不能替代 RAG? A:结论先行——因为二者解决的是不同问题:RAG 解决"知识从哪来",微调解决"模型怎么表现"。 微调(Fine-tuning)是在已有参数上继续训练,让模型学会某种行为模式——比如固定输出 JSON、模仿特定的写作口吻、适配某个领域的表达习惯。它确实也能"注入知识",但代价是: - **更新困难**:知识一变就得重新训练,无法像改文档一样实时生效。 - **成本高**:需要标注数据、需要 GPU 训练资源。 - **易遗忘/易过拟合**:数据量和训练策略不当,可能损害模型原有能力。 而 RAG 的知识更新只是"往库里写一条",天然实时、可撤销、可追溯来源。所以更准确的表述是:**用微调教"怎么答",用 RAG 供"答什么"**。 ### Q:什么场景下 RAG 反而不如微调? A:结论先行——当任务的重点不是"外部知识"而是"稳定的行为/格式/风格",或者知识量极小且高度固定时,微调更合适。 典型的"微调赢面"场景包括:把自然语言稳定转成固定结构的输出、让模型学习某个品牌特有的语气、让小模型在特定窄任务上达到可用水平(用小模型替代大模型降本)。反过来,如果知识频繁变动、来源分散、需要给出引用出处,那 RAG 几乎是唯一务实的选择。 还有一类"两者都要"的场景:先用微调让模型学会本领域的任务形式与术语风格,再用 RAG 供应最新事实。这也是上表中"RAG+微调 = 最佳效果,但成本最高"的含义。 ### Q:RAG 的代价和边界在哪里? A:结论先行——RAG 把"模型知识问题"换成了"检索工程问题",代价是系统复杂度、响应延迟和持续运维成本;边界则是它并不提升模型本身的推理能力。 先讲代价。引入 RAG 之后,一个原本"一次模型调用"的需求,变成了"检索 + 拼接 + 生成"的多段链路,于是新增了三类成本: - **工程复杂度**:多出文档解析、分块、Embedding、向量库、检索调优等一整条管线,任何一环都需要人来维护。 - **响应延迟**:一次问答至少多一次向量检索(如果加 Rerank 还会多一次模型调用),首字延迟和总耗时都会上升。 - **运维成本**:文档更新要触发索引更新;向量库要监控容量与性能;Embedding 模型若变更,索引需要整体重建。 再讲边界,这一点在面试中尤其能体现思考深度: - **RAG 不能提升推理能力**。如果问题需要多步逻辑推导(多跳推理、数值计算),单纯"把资料摆在模型面前"未必够用,这时需要更强的模型或更结构化的手段。 - **RAG 不能修复坏数据**。知识库本身自相矛盾、过期或缺失,RAG 只会把这些缺陷忠实地传递给答案。 - **RAG 不能替代产品设计**。用户看到答案却看不到原文时,引用来源、置信提示、兜底话术这些产品层面的设计,往往比模型选型更影响体验。 理解边界之后,选型的判断就简单了:**当"必须让模型知道某项外部事实、且该事实会频繁变化"时,RAG 是首选;当"要改变模型的表达/推理行为"时,才轮到微调**。 ## 四、发展阶段:从 Naive 到 Modular ### Q:RAG 的三个发展阶段分别是什么? A:结论先行——Naive RAG 是基础三段式;Advanced RAG 在检索前后加入优化;Modular RAG 把每个环节做成可插拔模块。 ```text Naive RAG(朴素 RAG): 基础的 索引→检索→生成 流程 问题:检索不准、Chunk 质量差、幻觉 Advanced RAG(进阶 RAG): Query 改写、混合检索、重排序、上下文压缩 显著提升检索质量 Modular RAG(模块化 RAG): 每个环节可插拔替换 支持多轮对话、Agent 集成、多模态 ``` 三者不是替代关系,而是"能力叠加": - **Naive RAG** 的价值是跑通闭环,暴露问题。它的典型症状是"想要的那段没被检索到"或"检索到了但拼进 Prompt 后模型没用好"。 - **Advanced RAG** 的优化点集中在两处:**检索前**(Query 改写、扩展,让问法更贴近文档表述)和**检索后**(重排序、上下文压缩,把噪声挤出去)。这也是当前工业落地性价比最高的一段。 - **Modular RAG** 强调架构层面的可组合性——每个环节都可以换实现,从而支持多轮对话记忆、Agent 决策检索、多模态数据等更复杂的形态。 面试时如果被问"你怎么理解 RAG 的演进",可以这样收束:**它沿着"先把链路跑通 → 再把检索做准 → 最后把架构做活"的路径演进,而每一阶段的收益都服从同一原则:检索质量决定上限**。 ### Q:Naive RAG 上线后最常见的失败表现有哪些? A:结论先行——可以归成四类:检索不到、检索到但不相关、相关但被淹没、信息够但推理不出来。 - **检索不到(召回失败)**:Query 的措辞与文档表述差异太大,向量检索匹配不上。典型如用户问得很口语化,文档却是书面术语。 - **检索到但不相关(精确率低)**:Top-K 里混入大量语义相近但主题不同的段落,模型被误导。 - **相关但被淹没**:正确片段确实在上下文里,但埋在中间位置,模型注意力没有落在上面。 - **信息够但推理不出来**:需要跨多个片段做多跳推导,模型只做了单片段抽取。 这四类失败恰好对应 Advanced RAG 的四条优化路线:Query 改写、混合检索、重排序与上下文压缩、迭代检索与图结构增强。**先能准确分类失败,才能选对优化手段**——这也是排查 RAG 问题的基本方法论。 ## 五、上手:20 行跑通最小 RAG ### Q:最小可运行的 RAG 代码长什么样? A:结论先行——用 LangChain 串起"加载 → 分块 → 向量化存储 → 构建问答链 → 提问"五步,20 行代码就能跑起来。 ```python from langchain_community.document_loaders import TextLoader from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain_openai import OpenAIEmbeddings, ChatOpenAI from langchain_community.vectorstores import Chroma from langchain.chains import RetrievalQA # 1. 加载文档 loader = TextLoader("knowledge.txt") docs = loader.load() # 2. 分块 splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50) chunks = splitter.split_documents(docs) # 3. 向量化 + 存储 embeddings = OpenAIEmbeddings() vectorstore = Chroma.from_documents(chunks, embeddings) # 4. 构建 RAG 链 llm = ChatOpenAI(model="gpt-4o") qa_chain = RetrievalQA.from_chain_type( llm=llm, retriever=vectorstore.as_retriever(search_kwargs={"k": 3}), ) # 5. 提问 answer = qa_chain.invoke("什么是 RAG?") print(answer) ``` 关键点解读,逐行对应到前面讲的八步: - `TextLoader` 对应 **Load**,把纯文本读成 Document 对象。 - `RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)` 对应 **Split**,按段落/句子优先级递归切分,重叠 50 字符用于防止关键信息正好被切在边界上。 - `Chroma.from_documents(...)` 一步完成 **Embed + Store**,内部对每个 Chunk 调用 Embedding 并写入本地向量库。 - `RetrievalQA.from_chain_type(...)` 封装了 **Embed Query → Retrieve → Augment → Generate** 全流程;`k=3` 表示每次检索 3 个片段。 - `qa_chain.invoke(...)` 触发一次完整问答。 这段代码的工程意义是"可观测的基线":它足够简单,方便你在每一环替换组件、对比效果。比如把 `k` 从 3 调到 5、把切分器换成语义分块、把检索器换成混合检索,都能立刻看到差异。 ### Q:这份最小实现离生产还有多远? A:结论先行——它能跑通链路,但缺三样东西:数据治理、检索调优和可观测性。 - **数据治理**:真实文档是 PDF、Word、网页的混合体,需要解析、清洗、去重、元数据标注,而这段代码只处理了纯文本。 - **检索调优**:单一稠密检索 + 固定 Top-K 只是基线配置,生产通常还要叠加混合检索、重排序与元数据过滤。 - **可观测性**:需要记录每次问答召回的片段、相似度分数和最终答案,否则出了问题无法归因。 换句话说,最小实现的角色是"可运行的骨架",而生产化的主要工作量花在围绕它的数据、检索与监控上。 ## 六、工程实践与踩坑 A:RAG 落地时最容易翻车的,几乎都不是"模型不够强",而是下面这些工程细节: ```text √ 索引与查询必须用同一个 Embedding 模型,否则向量空间不可比 √ 文档更新后要重建/增量更新索引,否则知识库和实际内容脱节 √ Top-K 要配合上下文窗口预算,K 太大会挤爆 Prompt √ 保留元数据(来源、页码),否则无法做过滤和引用溯源 × 只调 Prompt 不调检索,属于本末倒置 × 把"减少幻觉"当"消除幻觉",对效果预期失真 ``` 几个值得展开的坑: - **一致性陷阱**:换了 Embedding 模型却忘了重建索引,是线上事故的常见来源。向量维度可能都变了,检索结果会变得毫无意义。规则很简单:**Embedding 一换,索引全废**。 - **知识库与源文档脱节**:源文档改了,索引没更新,用户会拿到过时答案。需要一套"文档变更 → 索引更新"的机制(全量或增量)。 - **切片与业务语义不匹配**:技术文档、合同、表格各有一套最佳切法,用同一个 `chunk_size` 通吃往往两头不讨好。 - **忽略"检索为空"的情况**:如果 Top-K 结果和问题毫不相关,正确行为应该是触发兜底话术,而不是让模型硬答。这条要写进 Prompt 规则里。 把常见坑按"发生环节"归类,排查效率会高很多: ```text 环节 典型问题 现象 数据加载 页眉页脚/乱码混入正文 检索到垃圾片段 分块 chunk 过大或过小 该命中的段没命中 向量化 换模型没重建索引 检索结果整体错乱 检索 Top-K 太大或太小 噪声多 / 关键段缺失 Prompt 缺少"只依据资料回答"约束 模型自由发挥产生幻觉 运维 源文档更新未同步索引 答案与最新资料不符 ``` ### Q:线上答案不准,应该按什么顺序排查? A:结论先行——先看"该命中的片段有没有被检索到",再看"检索到了有没有被正确使用",最后才怀疑模型。 这条排查顺序的价值在于:它能快速把问题定位到"检索问题"还是"生成问题"。 - **第一步,检查检索结果**:把 Top-K 召回的原文打印出来。如果正确答案根本不在这 K 条里,就是召回失败,问题在数据、分块或检索策略,与模型无关。 - **第二步,检查上下文拼接**:如果答案在召回结果里但没被用上,通常是指令不清、上下文过长("Lost in the Middle"类现象)或文档相互干扰。 - **第三步,才怀疑模型**:只有在"资料对、上下文对、指令清晰"的前提下答错,才需要考虑换模型或调温度。 记住这个顺序,能避免团队把大量时间浪费在"换更强的模型"上,而真正的问题在切分策略或 Embedding 一致性。 ## 小结 - RAG = 检索 + 生成,核心价值是给 LLM 提供外部知识,把"闭卷"变"开卷"。 - 它解决了 LLM 知识过时、幻觉、无法访问私有数据、上下文窗口有限、微调成本高这五个问题。 - 核心流程是八步:加载 → 分块 → 向量化 → 存储 → 问题向量化 → 检索 → 拼接 Prompt → 生成。 - 与微调、长上下文不是替代关系:RAG 管"知识从哪来",微调管"模型怎么表现",长上下文适合少量文档的深度理解。 - 大多数知识密集型场景,RAG 是性价比最高的方案;而检索质量是整套系统的天花板。 - 演进路径为 Naive → Advanced → Modular:先跑通、再做准、最后做活。 ## 思考题 1. RAG 和搜索引擎有什么区别?(提示:从"返回什么"和"是否需要生成"两个角度想) 2. 什么场景下 RAG 不如微调? 3. 如果线上答案出现幻觉,你会按什么顺序排查:检索、Prompt、模型、数据? 4. 为什么"离线索引阶段"和"在线查询阶段"要严格分离?如果混在一起会有什么后果?
预览
发布文章
添加摘要让读者更快了解文章内容
取消
确认发布
AI 写作助手
输入一个主题,AI 将为你生成一篇 Markdown 博客文章
AI 正在写作中...
取消
开始生成
AI 优化助手
描述你的修改需求,AI 将在原文基础上进行补充或微调
AI 正在优化中...
取消
开始优化
画布
从已有图里选
✕
图名
保存后生成 /images/excalidraw/<图名>.svg(只能用字母、数字、短横线、下划线、点)
取消
保存并插入