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
# 07 - Advanced RAG 技术 > 导读:本文从"基础 RAG 都跑通了,为什么一上真实业务效果就崩"这个进阶痛点出发,把 Naive RAG 的四类失败、Advanced RAG 在检索前/中/后/生成四个环节的优化手段(Query 改写、Multi-Query、HyDE、Parent Document Retriever、Self-RAG、Graph RAG、Agentic RAG)、各技术的复杂度对比与选型顺序以及工程踩坑讲透,最后给出渐进式优化路线。适合已经搭过基础 RAG、正在追求效果提升、或面试中被追问"Advanced RAG 有哪些技术"的同学。 ## 一、先建立全局认知 ### Q:从 Naive RAG 到 Advanced RAG,到底要解决哪些问题? A:结论先行——Naive RAG 有四类典型失败:表述不一致导致检索不准、单一检索策略导致召回低、检索内容有噪声导致生成差、缺乏推理能力导致复杂问题答不好;Advanced RAG 就是针对这四类问题在各个环节加优化。 ```text Naive RAG 的问题: 1. Query 和文档的表述不一致 → 检索不准 2. 单一检索策略不够 → 召回率低 3. 检索到的内容有噪声 → 生成质量差 4. 缺乏推理能力 → 复杂问题答不好 Advanced RAG 在每个环节加入优化: 检索前:Query 改写、Query 扩展 检索中:混合检索、多路召回 检索后:重排序、上下文压缩 生成时:Self-RAG、迭代检索 ``` 这张"问题—环节"的对应关系,是理解全部 Advanced RAG 技术的主线。可以把四个问题与四组手段一一对号: - **问题 1(表述不一致)** → 检索前优化:Query 改写、扩展,让问法贴近文档。 - **问题 2(单一策略召回低)** → 检索中优化:混合检索、多路召回。 - **问题 3(噪声多)** → 检索后优化:重排序、上下文压缩。 - **问题 4(缺乏推理)** → 生成时优化:Self-RAG、迭代检索、图结构增强。 所以在面试里介绍 Advanced RAG 时,**不要罗列技术名词,而要按"问题 → 手段"的结构讲**,这样既显得有体系,也能体现你理解每个技术的存在理由。  *图:Advanced RAG 技术地图:根据表述、召回、噪声和推理问题选择增强策略* ### Q:为什么不能一上来就用最复杂的方案? A:结论先行——因为每个增强手段都带来复杂度、延迟和维护成本,而基础环节(分块、Embedding、检索)的问题不解决,上层优化很难见效。 一个很现实的判断是:**如果"正确答案根本没被召回",那么加 HyDE、加 Self-RAG 都救不了它**——它们优化的方向是"表述对齐"和"自我校验",而不是"把没召回的补回来"。 所以正确的推进顺序是:先把基础链路做实(分块合理、Embedding 适配、检索策略得当),再按"投入产出比"逐步叠加增强手段。这也是本节后续所有内容的前提。 ## 二、检索前优化 ### Q:Query 改写在解决什么问题? A:结论先行——它把用户口语化、含糊、指代不清的问题,改写成更适合检索的精确查询,从而缩小"问题表述"与"文档表述"之间的鸿沟。 ```text 原始 Query:"这个东西怎么用?" 改写后: "RAG 系统的使用方法和步骤是什么?" 原始 Query:"为什么我的 RAG 效果不好?" 改写后: "RAG 系统检索效果差的常见原因和优化方法" ``` ```python rewrite_prompt = """将以下用户问题改写为更适合搜索的查询语句。 保持原意,但使用更精确的关键词。 原始问题:{question} 改写后的搜索查询:""" ``` 看懂这两个例子,就理解了改写的两类价值: - **补全信息**:把"这个东西"补成具体的名词,让查询变得自包含。 - **对齐术语**:把"效果不好"这种口语,换成"检索效果差的常见原因和优化方法"这类更接近文档表述的措辞。 改写的代价是**多一次模型调用**(延迟 + 成本),且存在"改写偏离原意"的风险。因此工程上常见两个缓解措施:**保留原始问题一并检索**(双路召回),以及**只在检测到指代/过短/口语化时才改写**,而不是每次无脑改写。 ### Q:Multi-Query 是怎么提升召回的? A:结论先行——它让 LLM 从多个角度把一个问题生成成多个查询,分别检索后合并去重,用"多视角覆盖"降低单一查询的漏召回风险。 ```python from langchain.retrievers.multi_query import MultiQueryRetriever multi_retriever = MultiQueryRetriever.from_llm( retriever=vectorstore.as_retriever(), llm=ChatOpenAI() ) # 原始问题:"RAG 的优缺点是什么?" # 自动生成多个查询: # "RAG 技术的主要优势有哪些?" # "RAG 系统存在哪些局限性?" # "RAG 和其他方法相比有什么不足?" # 分别检索,合并去重 ``` 这个例子非常典型:用户问"优缺点",这个"合体问题"的向量可能既不特别像"优点"的文档,也不特别像"缺点"的文档,于是两边的内容都没被很好地召回。拆成两个查询后,各自都能精准命中。 它的价值与代价: - **价值**:显著缓解"一个查询覆盖多个子主题"时的漏召回,实现简单(不需要改索引)。 - **代价**:查询数量翻倍意味着**检索次数翻倍**;合并时需要注意去重,否则同一片段可能占据多个名额。 工程建议:把生成的查询数量控制在有限范围内(不宜过多),并对合并结果做去重,避免"多路检索把同样的内容重复塞进上下文"。 ### Q:HyDE 的原理是什么?为什么用"假答案"去检索? A:结论先行——因为"问题"和"文档"在表述形态上差异很大,而"模型编的假答案"在形态上更接近真实文档,所以用它去检索更容易命中。 ```text 原理: 问题的 Embedding 和文档的 Embedding 可能不在同一个语义空间 但"回答"和"文档"更接近 流程: 1. 用户问:"RAG 的检索阶段做什么?" 2. LLM 生成假设回答:"RAG 的检索阶段从向量数据库中..." 3. 用假设回答的 Embedding 去检索 4. 检索到的真实文档 + 原始问题 → LLM 生成最终回答 ``` ```python from langchain.chains import HypotheticalDocumentEmbedder hyde_embeddings = HypotheticalDocumentEmbedder.from_llm( llm=ChatOpenAI(), base_embeddings=OpenAIEmbeddings(), prompt_key="web_search" # 内置的 prompt 模板 ) # 用 hyde_embeddings 替代普通 embeddings 做检索 ``` HyDE(Hypothetical Document Embeddings,假设性文档嵌入)的洞察非常巧妙,值得完整理解:**提问是"疑问句",文档是"陈述句",二者在向量空间里的"距离"天然比"陈述句对陈述句"更远**。HyDE 的做法是先让模型"随口答一个"(哪怕答错了),再把这段"陈述式文本"拿去检索。因为检索阶段并不要求假答案内容正确,只要求它的**表述形态与真实文档接近**,所以即使内容有偏差,也能把检索引向正确的文档区域。 由此可以推出它的适用边界: - **适合**:文档是"陈述性、解释性"内容的场景,以及用户提问非常口语化的场景。 - **不适合**:事实必须精确(假答案可能把检索引到错误方向)、以及查询本身是关键词/编号(假答案反而引入噪声)的场景。 - **代价**:每次查询都要多跑一次生成模型,延迟和成本显著上升。 `prompt_key="web_search"` 表示使用内置的 prompt 模板来生成假设文档;具体有哪些内置模板、如何自定义,**需结合所用法库版本文档确认**。 ### Q:三种检索前优化怎么选? A:结论先行——按复杂度递增:Query 改写最轻、Multi-Query 次之、HyDE 最重;优先用前两者,HyDE 留给"表述差异特别大"的场景。 - **Query 改写**:一次改写、一次检索,成本最低,适合口语化提问多的业务。 - **Multi-Query**:一次生成多个查询、多次检索,成本中等,适合"一问含多意图"的业务。 - **HyDE**:一次生成假文档、一次检索,成本高且引入不确定性,适合陈述性知识库 + 表述鸿沟明显的场景。 共同点是:**它们都在"检索前"动手,因此不改变索引,可以实现为可插拔的一层**。这一点对落地很友好——可以先上线、A/B 对比,效果不理想就摘掉。 ## 三、检索中与检索后优化 ### Q:Parent Document Retriever 解决了什么矛盾? A:结论先行——它解决了"小 Chunk 检索精准但上下文不足,大 Chunk 上下文丰富但检索不精准"这对矛盾:用小块检索,返回它所属的大块。  *图:小 Chunk 检索、大 Chunk 返回的父子文档结构* ```text 问题:小 Chunk 检索精准但上下文不足,大 Chunk 上下文丰富但检索不精准 解决:用小 Chunk 检索,返回大 Chunk(父文档) 存储时: 大 Chunk(父文档,如 2000 字符) ├── 小 Chunk 1(子文档,500 字符) ├── 小 Chunk 2 └── 小 Chunk 3 检索时: 1. 用小 Chunk 的向量做检索(精准匹配) 2. 找到匹配的小 Chunk 后,返回它所属的大 Chunk(上下文丰富) ``` 这个设计非常优雅,值得完整理解它的"两层存储": ```python from langchain.retrievers import ParentDocumentRetriever from langchain.storage import InMemoryStore parent_splitter = RecursiveCharacterTextSplitter(chunk_size=2000) child_splitter = RecursiveCharacterTextSplitter(chunk_size=400) retriever = ParentDocumentRetriever( vectorstore=vectorstore, docstore=InMemoryStore(), child_splitter=child_splitter, parent_splitter=parent_splitter, ) retriever.add_documents(docs) ``` - **`child_splitter`(400 字符)**负责切"检索用的小块",它的向量进 `vectorstore`,**专门用于精准匹配**。 - **`parent_splitter`(2000 字符)**负责切"返回用的大块",它存在 `docstore` 里,**专门用于提供上下文**。 - **检索流程**:用小块的向量找到命中位置 → 通过映射取出它所属的大块 → 把大块交给 LLM。 它的本质是"**把'用于匹配的粒度'与'用于阅读的粒度'解耦**"。回顾前面章节的结论——"块越小检索越准、块越大上下文越全"是一对不可调和的矛盾,而 Parent Document Retriever 的做法是"不要试图用一块同时满足两个目标,而是各用各的"。 代价与注意事项: - **存储成本上升**:同一份内容被存了两遍(父子各一份)。 - **上下文膨胀**:返回父块意味着进入 Prompt 的内容变多,需要重新核算上下文预算,否则可能挤爆窗口。 - **父块粒度要合理**:父块太大就回到"上下文冗余"的老问题,需要和 `chunk_size` 一起调。 ### Q:上下文压缩(Contextual Compression)在做什么? A:结论先行——它在检索之后、拼接之前,对召回片段做"瘦身":要么按相关性抽取关键句,要么用模型改写摘要,只把真正有用的部分放进 Prompt。 它要解决的是"**召回对了,但片段里废话太多**"这个常见问题: - **抽取式**:从每个片段里挑出与问题最相关的句子,丢弃其余部分。信息损失小,但要保证抽取逻辑可靠。 - **生成式**:让模型对片段做摘要或改写。压缩比更高,但**可能丢细节**,对"精确数字、精确条款"类问答要谨慎。 - **按预算截断**:当片段远多于上下文预算时,按分数从低到高丢弃。这是最简单的一档。 压缩的收益与风险都很直接: - **收益**:进入 Prompt 的无关 token 减少,既省钱又降低"被噪声带偏"的概率,还能塞进更多不同来源的片段。 - **风险**:压缩本身可能丢掉答案所在的那句话。所以**压缩后必须回归到"评测集上是否还有效"来验证**,不能只看 token 是否变少。 工程上有一个实用原则:**压缩的粒度应该由"任务对细节的敏感度"决定**——总结类任务可以激进压缩,精确查找类任务应保守甚至不压缩。 ### Q:迭代检索(Iterative Retrieval)适合什么场景? A:结论先行——适合"一次检索不够、需要根据已有信息继续追问"的复杂问题,比如多跳推理和跨多份资料的综合问答。 它的基本形态是"检索 → 阅读 → 判断缺什么 → 用新的子查询再检索"的循环。举一个直观的例子: - 用户问:"我们公司的年度技术预算比去年增长了多少?" - 第一轮检索:只找到了今年的预算数字。 - 模型判断:缺少去年的数字 → 生成新的子查询"去年年度技术预算"。 - 第二轮检索:拿到去年的数字 → 现在才能计算增长率。 这与一次性检索的本质区别在于:**查询是"动态生成"的,依赖于上一轮的阅读结果**,而不是在提问时一次性确定。这也是它与 Multi-Query 的关键差异——Multi-Query 是"同时生成多个查询并行检索",而迭代检索是"串行、依赖前一步结果"。 代价是需要控制循环终止条件:**必须有最大轮数上限**,否则可能陷入"检索—判断—再检索"的无效循环,延迟与成本失控。同时要处理"多轮检索结果互相矛盾"的情况。 ## 四、生成时与架构级优化 ### Q:Self-RAG 是怎么工作的? A:结论先行——它让 LLM 在检索前、检索后、生成后三个阶段分别做"自我反思",判断是否需要检索、结果是否相关、回答是否有依据,从而减少幻觉和无关回答。  *图:Self-RAG 三步反思:检索前、检索后、生成后各判断一次* ```text 流程: 1. LLM 判断:这个问题需要检索吗? → 不需要(简单问题)→ 直接回答 → 需要 → 执行检索 2. 检索后,LLM 判断:这些文档和问题相关吗? → 不相关 → 重新检索或换策略 → 相关 → 继续 3. 生成回答后,LLM 判断:回答有文档支撑吗? → 没有 → 重新生成 → 有 → 输出 每一步都有"反思",减少幻觉和无关回答 ``` Self-RAG 的独特之处,在于它把"是否检索"也变成了一个可决策的环节。这与 Naive RAG"每次必检索"的固定流程形成对比: - **简单问题不必检索**(如"你好""帮我改写这句话"),直接回答更快也更省。 - **检索不相关时要能回退**,而不是"检索到什么就用什么"。 - **生成后要自检**,没有依据的回答要被打回重做。 它的代价集中在"多次调用"上:每一步反思都是一次模型调用,复杂问题上可能累计调用多次,**延迟和成本都会明显上升**。所以 Self-RAG 更适合"准确性优先、可接受较高延迟"的场景,比如专业咨询、合规问答,而不适合对响应速度敏感的高并发场景。 ### Q:Graph RAG 与传统 RAG 的本质区别是什么? A:结论先行——传统 RAG 把文档看作扁平的 Chunk 列表,而 Graph RAG 从文档中抽取实体和关系构建知识图谱,用结构化关系补充向量检索在"多跳推理"上的不足。 ```text 传统 RAG:文档是扁平的 Chunk 列表 Graph RAG:文档中的实体和关系构成知识图谱 流程: 1. 从文档中提取实体和关系(用 LLM) "张三是 ABC 公司的 CEO" → (张三, 是CEO, ABC公司) 2. 构建知识图谱 3. 检索时同时查向量库和知识图谱 4. 图谱提供结构化的关系信息,补充向量检索的不足 适用场景: 多跳推理:"张三的公司在哪个城市?" 关系查询:"谁是 ABC 公司的高管?" 全局摘要:对整个文档集的宏观理解 ``` 理解 Graph RAG 的价值,关键是看到"扁平检索"的盲区。举那个多跳例子: - **问题**:"张三的公司在哪个城市?" - **文档 A**:"张三是 ABC 公司的 CEO。" - **文档 B**:"ABC 公司的总部位于上海。" 传统的扁平检索会遇到麻烦:如果只召回了文档 A,就答不出"上海";如果只召回了文档 B,就不知道"ABC 公司"与"张三"的关系。要答对,需要**同时召回两条并把它们"连接"起来**。而知识图谱把 `(张三) -[就职于]-> (ABC 公司) -[位于]-> (上海)` 显式地连成了通路,一次遍历即可得出结论。 它的成本也据此而来: - **构建成本**:需要用 LLM 从文档中抽取实体与关系,这是一次额外的大规模处理(也就是"额外成本在哪里"这个问题的答案)。 - **维护成本**:文档更新时图谱要同步更新,实体消歧、关系冲突都需要处理。 - **实现复杂度**:检索层要同时查询向量库和图谱并融合结果。 所以 Graph RAG 的正确定位是"**针对多跳推理、关系查询、全局摘要的专项武器**",而不是"比传统 RAG 更高级的通用方案"。 ### Q:Agentic RAG 和固定流程 RAG 有什么不同? A:结论先行——Agentic RAG 让 LLM 从"执行固定流程"变成"自主决策",它可以决定是否检索、从哪检索、结果够不够、要不要再检索,甚至调用其他工具。 ```text 把 RAG 和 Agent 结合,让 LLM 自主决定检索策略 Agent 可以: 1. 决定是否需要检索 2. 选择从哪个数据源检索 3. 判断检索结果是否足够 4. 决定是否需要追加检索 5. 使用工具(计算器、API 调用等) ``` 从"能力"角度看,它把前面几种技术的决策点统一到一个自主循环里: - **是否需要检索** → 类似 Self-RAG 的第一步。 - **从哪检索** → 可以对接多个数据源(不同知识库、数据库、API),解决了"单一知识源覆盖不全"的问题。 - **结果是否足够、是否追加检索** → 实现了迭代式检索,适合需要"边查边想"的复杂问题。 - **使用工具** → 把计算、实时查询等"模型天然不擅长的操作"外包出去,减少因此产生的幻觉。 它的代价同样是复杂度:**自主决策意味着不确定性更高、更难控制**——可能陷入无效循环、可能选错数据源、也更难做效果评测与成本预估。所以实践中通常要给它设置约束:最大迭代次数、可用工具白名单、每步的超时与预算上限。原文的判断很到位:**"比固定流程的 RAG 更灵活,但也更复杂、更难控制"**。 ## 五、技术对比与选型 ### Q:这些 Advanced RAG 技术分别解决什么问题、复杂度如何? A:结论先行——按复杂度从低到高排列,应先上低复杂度高收益的手段,再逐步引入高复杂度技术。 ```text 技术 解决的问题 复杂度 Query 改写 问题表述不佳 低 Multi-Query 单一视角不够 低 HyDE 问题和文档语义不对齐 中 Parent Document 精准性和上下文的矛盾 中 混合检索+重排序 单一检索策略不够 中 Self-RAG 幻觉和无关回答 高 Graph RAG 多跳推理和关系查询 高 Agentic RAG 复杂多步骤问题 高 ``` 推荐的引入顺序与理由: - **第一梯队(低复杂度,优先做)**:Query 改写、Multi-Query。它们不动索引、实现简单、可插拔,属于"性价比最高"的改进。 - **第二梯队(中复杂度,效果确定后做)**:混合检索 + 重排序(基础 RAG 的标配增强)、Parent Document Retriever(解决上下文与精度的结构性矛盾)、HyDE(表述鸿沟明显时才上)。 - **第三梯队(高复杂度,按需做)**:Self-RAG、Graph RAG、Agentic RAG。它们面向"幻觉控制""多跳推理""复杂多步任务"这些特定难题,投入大、收益场景明确。 一句话原则:**先把基础做好,再按瓶颈选增强**——原文的提醒正是"不要一上来就用最复杂的方案"。 ### Q:面对一个效果不达标的系统,第一个该做的增强是什么? A:结论先行——先做诊断,再谈增强。不同失败类型对应的手段完全不同,选错方向会白花大量工程成本。 一个可直接使用的诊断路径: - **正确答案不在 Top-K 里** → 属于召回问题。优先考虑 Query 改写、Multi-Query(改善表述对齐);如果连基础分块和 Embedding 都还没优化,先回头看基础环节。 - **答案在 Top-K 里但排在中游、进不了 Prompt** → 属于排序问题。上重排序,用精排把相关内容顶到前排。 - **命中的片段太短、缺上下文** → 属于粒度问题。考虑 Parent Document Retriever。 - **答案需要跨多个片段推导** → 属于推理问题。考虑迭代检索或 Graph RAG。 - **资料齐全但模型还是编** → 属于生成约束与校验问题。考虑强化 Prompt 约束、Self-RAG。 这张表的价值在于:**它把"要不要上高级技术"变成了一个可以回答的问题**,而不是"看别人用什么我也加"。同时它也解释了为什么"先诊断"如此重要——加错了手段,不仅没效果,还会带来额外的延迟与维护成本。 ## 六、工程实践与踩坑 A:Advanced RAG 的坑集中在"延迟、成本、评测"三处,因为这些技术大多通过"多调用一次模型"换取效果: ```text √ 每个增强手段都要评估延迟与成本增量,而不只看效果 √ Query 改写保留原始查询做兜底,防止改写跑偏 √ Multi-Query 合并结果要按内容去重 √ Parent Document 返回大块后,重新核算上下文预算 √ 增强手段要可插拔,便于 A/B 对比与快速回退 × 基础检索没做好就上高级技术,收益极可能被淹没 × 无脑叠加所有手段,延迟与成本失控 × 只用少量样例判断效果,不做分层评测 ``` 几个值得展开的坑: - **收益被基础问题掩盖**:如果分块不合理或 Embedding 不适配,召回本身就差,此时加 HyDE 或 Self-RAG 的收益会非常有限,甚至因为引入噪声而变差。**先修基础,再谈增强**。 - **延迟叠加**:Query 改写(+1 次生成)+ Multi-Query(+N 次检索)+ 重排序(+1 次模型调用)+ Self-RAG(+2~3 次生成)叠加起来,单次问答的延迟可能是基础版的数倍。上线前必须实测端到端延迟。 - **评测缺失**:这些技术的效果差异往往不大且相互干扰,**没有评测集就无法判断某项增强到底有没有用**。建议每一项增强都记录"引入前/后"在同一评测集上的表现。 - **HyDE 的方向性风险**:假答案若严重跑偏,会把检索引向错误的文档区域。对"事实必须精确"的场景要谨慎,最好与原始问题检索并行、最后融合。 ### Q:HyDE 在什么场景下效果好,什么场景下反而更差? A:结论先行——当文档是陈述性内容、而用户提问与之存在明显表述鸿沟时效果好;当问题本身是精确实体查询、或假答案容易跑偏时反而更差。 - **效果好**:知识型问答、概念解释类文档;用户口语化提问;问题短且陈述化("RAG 的检索阶段做什么")。 - **效果差**:查询是编号、型号、代码片段这类"精确匹配"诉求;领域太专业导致模型生成的假答案系统性错误;需要严格控制延迟的高并发场景。 ### Q:Graph RAG 相比传统 RAG,额外成本在哪里? A:结论先行——主要在"图谱构建与维护"这一层,包括实体关系抽取、实体消歧、图谱更新,以及检索时的双路查询与融合。 拆开看: - **构建**:需要一次全量或增量的实体/关系抽取,这是一笔可观的模型调用成本。 - **消歧与治理**:"张三"可能有多个同名的人,需要实体消歧;同一关系可能有矛盾表述,需要治理策略。 - **更新**:文档变更时图谱要同步,否则会出现"向量库新、图谱旧"的不一致。 - **检索与融合**:要同时查向量库和图谱,并把两路结果合并,工程复杂度上升。 所以判断是否上 Graph RAG 的标准很清晰:**业务里是否存在大量"多跳推理/关系查询/全局摘要"需求**。如果没有,这笔投入很难回本。 ## 小结 - Advanced RAG 在检索前、检索中、检索后、生成四个环节都有优化空间,且每个技术都对应一类具体失败。 - Query 改写和 Multi-Query 是最容易实施的改进,投入产出比最高。 - HyDE 用"假设文档"缩小问答与文档的表述鸿沟,但引入额外调用与跑偏风险。 - Parent Document Retriever 通过"小块检索、大块返回"解决了精准性与上下文的矛盾,代价是存储与上下文膨胀。 - Self-RAG 通过三阶段自我反思减少幻觉与无关回答,代价是多次模型调用。 - Graph RAG 面向多跳推理和关系查询,额外成本主要在图谱构建与维护。 - Agentic RAG 让模型自主决策检索,更灵活但也更复杂、更难控制。 - 不要一上来就用最复杂的方案,先把基础做好,再按瓶颈逐步增强。 ## 思考题 1. HyDE 在什么场景下效果好,什么场景下反而更差? 2. Graph RAG 和传统 RAG 相比,额外的成本在哪里? 3. 如果线上问题是"正确答案没被召回",你会优先尝试本文中的哪些技术?为什么? 4. Parent Document Retriever 返回父块后,上下文预算该如何重新核算? 5. 你能设计一个"逐项引入增强手段并各自评测"的实验计划吗?需要固定哪些变量?
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