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
# 10 - RAG 常见问题与最佳实践 > 导读:本文从"RAG 系统上线后问题一个接一个,为什么总是头痛医头"这个具体痛点出发,把五类高频问题(检索不到、幻觉、回答不完整、延迟高、成本高)的排查思路与解决方案、四大环节的最佳实践清单、以及一套分阶段的迭代路径讲透,最后给出工程实践与踩坑。适合已经在维护 RAG 系统、被线上问题反复折磨的同学。 ## 一、先建立全局认知 ### Q:RAG 上线后的问题,可以归成哪几类? A:结论先行——**五类:检索不到、有幻觉、回答不完整、延迟太高、成本太高**。前三类影响"质量",后两类影响"可用性与可持续性"。 为什么值得先做这个归类?因为很多人遇到问题的第一反应是"换个模型试试",但如果分不清问题属于哪一类,换模型往往是无效动作。先建立这个映射表: | 问题 | 症状 | 根因层面 | |---|---|---| | 检索不到相关文档 | 知识库里有,但召回结果不相关 | 检索 / 分块 / Embedding | | 回答有幻觉 | 检索到了,但回答含文档外信息 | 生成 / Prompt | | 回答不完整 | 只覆盖问题的一部分 | 检索 Top-K / 上下文组织 | | 延迟太高 | 用户等太久 | 全链路性能 | | 成本太高 | Token 账单吓人 | 上下文长度 / 模型选择 | 下面逐题拆解排查路径和解决方案。 ### Q:这五类问题里,哪一类应该最先修? A:结论先行——**先修"检索不到"**,因为它是所有质量问题的上游;延迟和成本属于"体验与可持续性",可以排在质量之后。 为什么是这个优先级?因为在 RAG 里检索是源头: ```text 检索不到 → 下游无论怎么优化都无法补救(生成的天花板 = 检索到的信息) 有幻觉 → 检索对了才谈得上"忠实",否则无从忠实 不完整 → 往往是检索的 Top-K 或上下文组织问题 延迟/成本 → 即使不修,功能也是对的,只是体验差、烧钱 ``` 所以一个合理的常规推进顺序是: ```text 1. 检索不到(正确性)→ 2. 幻觉(可信度)→ 3. 不完整(覆盖率) → 4. 延迟(体验)→ 5. 成本(可持续) ``` 当然,如果线上已经因为延迟或成本"要炸了",当然先救火;这里说的是**常规优化**的先后。 ### Q:这五类问题会互相转化吗? A:结论先行——会,而且非常常见;一个"止血"动作往往引出另一个问题。 三个典型转化:  *图:治一个问题反而引出另一个的三条连锁反应* ```text 为治"不完整" → 增大 Top-K → 引出"延迟太高"和"成本太高" 为治"幻觉" → 缩短上下文、加强约束 → 可能引出"回答不完整" 为治"成本高" → 减小 Top-K → 可能引出"检索不到" ``` 这带来一个重要认知:**RAG 优化本质是"取舍"而非"全面变好"**。所以每次改动后都要重看整组指标(而非只盯你想改善的那一个),确认没有把别处弄坏。这也是为什么"评估体系"必须先于"优化"建立。 ### Q:为什么说"延迟"和"成本"是同一类问题? A:结论先行——因为它们背后常常是**同一个变量:上下文长度(Top-K)**。上下文越长,既要算的 token 越多(贵),首字与完整回答也越慢(慢)。  *图:Top-K 增减对 Token 成本、延迟与召回的影响* ```text Top-K 增大: Token 消耗 ↑ (成本) 检索 + 拼接 + LLM 处理量 ↑ (延迟) Top-K 减小: 成本 ↓、延迟 ↓ 但召回可能 ↓(引出"检索不到") ``` 所以这两个问题经常"一起治、一起坏":减少 Top-K、加缓存、做上下文压缩,往往同时利好二者。但代价也很统一——**可能损伤召回质量**,于是问题又转化回第一类。 理解这层"同源关系"的价值在于:当你发现"慢了也贵了",第一反应应该去看"上下文是不是塞太多了",而不是分别去优化两个孤立的问题。 ## 二、五类高频问题的排查与解决 ### Q:问题 1:检索不到相关文档,怎么排查? A:结论先行——**先确认"答案是不是被分块切断了",再查"Embedding 质量",最后查"用户表述与文档表述的差异"**。 原文给的排查三步: ```text 症状:用户问了一个知识库里有的问题,但检索结果不相关 排查: 1. 检查 Chunk 是否包含答案 → 可能分块把答案切断了 2. 检查 Embedding 质量 → 用相似度搜索验证 3. 检查 Query 和文档的表述差异 → 用户说"怎么请假",文档写"休假申请流程" ``` 为什么排查要按这个顺序?因为它是**从近到远**的: 1. **分块问题最容易被忽视也最常见**。假设答案是一句"年假需提前 3 个工作日申请",如果分块恰好把"年假需提前"和"3 个工作日申请"切到两个 chunk,那无论检索多强,单个 chunk 里都不含完整答案。 2. **Embedding 质量问题**要靠相似度验证来定位:把已知相关的"问题—文档"对拿去做相似度计算,如果得分很低,说明这个模型在你的领域上表征能力不行。 3. **表述差异**是中文场景的重灾区:用户说"怎么请假",文档标题写"休假申请流程",字面几乎不重叠,纯语义检索可能也吃力——这就引出了下面"混合检索"的必要性。 对应的解决手段: ```text 解决: ✓ 调整分块策略(增大 chunk_size 或用语义分块) ✓ 加入混合检索(BM25 补充关键词匹配) ✓ Query 改写 / Multi-Query ✓ 换更好的 Embedding 模型 ✓ 微调 Embedding(垂直领域) ``` 其中 **BM25** 是经典的稀疏检索算法(基于关键词匹配的排序函数),与向量检索互补:向量擅长语义相近,BM25 擅长字面命中。 ### Q:问题 2:检索到了,但回答有幻觉,怎么排查? A:结论先行——**按"Prompt 是否明确约束 → temperature 是否太高 → 是否有矛盾文档"三步排查,核心解法是强制"只基于文档回答"**。 ```text 症状:检索到了相关文档,但 LLM 的回答包含文档中没有的信息 排查: 1. 检查 Prompt 是否明确要求"只基于文档回答" 2. 检查 temperature 是否太高 3. 检查是否有多个矛盾的文档片段 解决: ✓ Prompt 中强调"不要编造,不确定就说不知道" ✓ temperature 设为 0 ✓ 要求 LLM 引用来源 ✓ 使用 Self-RAG 自反思机制 ✓ 后处理:用另一个 LLM 验证回答是否有文档支撑 ``` 逐步理解: - **Prompt 约束**是最廉价的一招。只要在 Prompt 里写清"只基于给定文档回答,没有依据就说不确定",就能消掉相当一部分幻觉。 - **temperature**(采样温度)越高,输出越随机、越"敢编"。问答场景应设 0。 - **矛盾文档**的情况很隐蔽:如果检索回来的两段文档对同一问题给出冲突说法(一版旧政策、一版新政策),LLM 会"缝合"出一个谁都没说过的新答案。这类问题要靠时间过滤或元数据筛选解决。 Self-RAG 指"自我反思式检索",让模型在生成后自查回答是否有依据;后处理验证则是再加一个 LLM 当"审稿人"。 ### Q:问题 3:回答不完整,怎么办? A:结论先行——**先看 Top-K 是否太小、信息是否被分散,再看是否踩了 Lost in the Middle,最后看上下文窗口够不够**。 ```text 症状:答案只覆盖了问题的一部分 排查: 1. Top-K 是否太小 → 相关信息分散在多个 Chunk 中 2. 是否有 Lost in the Middle 问题 3. 上下文窗口是否不够 解决: ✓ 增大 Top-K(5 → 10) ✓ 重要文档放在 Prompt 的开头和结尾 ✓ 使用 Map-Reduce 分别处理每个文档再汇总 ✓ 使用 Parent Document Retriever 获取更完整的上下文 ``` 关键概念解释: - **Lost in the Middle(中间信息丢失)**:大模型对长上下文里**中间位置**的信息利用效率明显低于开头和结尾。所以即使信息检索到了,放在中间也容易被忽略。 - **Map-Reduce**:把多个文档分别"处理成小结(Map)",再把小结"汇总成一个答案(Reduce)",避免一次性塞太多上下文。 - **Parent Document Retriever(父文档检索器)**:用细粒度的小 chunk 做检索(精度高),但返回它所属的**大 chunk / 父文档**(上下文更完整)——这正是解决"检索准但上下文碎"的经典思路。 ### Q:问题 4:延迟太高,怎么优化?各环节耗时大概多少? A:结论先行——**LLM 生成是最大头,所以优先做流式输出和缓存;Embedding / 检索 / Rerank 靠本地化和减少候选来优化**。 原文给出的各环节典型延迟: ```text 症状:用户等待时间过长 各环节典型延迟: Embedding Query:50~200ms 向量检索:10~100ms Reranking:200~500ms LLM 生成:1~10s(取决于输出长度) 优化: ✓ 流式输出(SSE),用户看到逐字生成,体感更快 ✓ 缓存热门问题的回答 ✓ 语义缓存(相似问题命中缓存) ✓ 本地部署 Embedding 模型(减少网络延迟) ✓ 减少 Top-K 和 Reranker 的候选数量 ✓ 使用更快的 LLM(如 GPT-4o-mini) ``` 先算账再优化:上面四项里,前三项加起来通常不到 1 秒,而 LLM 生成动辄 1~10 秒,占绝对大头。所以**优化顺序应该按耗时占比来**,而不是先折腾耗时几十毫秒的向量检索。 注意上面是"典型量级",真实数字随模型、网络、数据规模波动很大,**需结合你的实际环境测量确认**,不要直接当作基准。 ### Q:问题 5:成本太高,怎么降? A:结论先行——**先算清 Token 消耗公式,再按"减少上下文 → 模型路由 → 缓存"的顺序降本**。 原文给的公式和手段: ```text Token 消耗 = (System Prompt + Context + Question + Answer) × 请求数 降低成本: ✓ 减少 Top-K(少塞文档) ✓ 上下文压缩(先摘要再给 LLM) ✓ 用小模型处理简单问题,大模型处理复杂问题(路由) ✓ 缓存减少重复调用 ✓ 使用开源 LLM(本地部署) ✓ 使用更便宜的 Embedding 模型(text-embedding-3-small) ``` 公式要点:**Context 是成本的主变量**。因为 Answer 的长度有限,而 Context 是你塞进去的 Top-K 文档之和,K 从 5 调到 10,成本可能翻倍。所以"减少 Top-K"既降本又降延迟,是性价比最高的一招。不过它也可能掉召回,是典型的取舍。 **模型路由**(Router)的思路是:简单问题(如"你好"、FAQ 命中)用小模型,复杂问题才交给大模型,整体成本显著下降。这套思路与"延迟优化"里的"使用更快的 LLM"本质相同——用更便宜的算力处理更简单的任务。 ### Q:五类问题里,有没有一个"通用排查套路"? A:结论先行——有:**先复现 → 再定位环节 → 再选手段 → 最后单变量验证**。 ```text Step 1 复现:找到一条能稳定触发的问题样例(bad case) Step 2 定位:判断它属于"检索"还是"生成" - 看检索结果里有没有正确文档 → 没有 = 检索问题 - 有正确文档但答案不对 → 生成问题 Step 3 选手段:按前面五类问题的解法对号入座 Step 4 验证:改一个变量,重跑评估集,看指标与 bad case 是否改善 ``` 为什么"先复现"这一步不能省?因为线上问题往往是偶发的,不先固定成一条可复现的样例,你会陷入"改了好像好了,过两天又出现"的循环,无法确认是否真的修好。 **定位环节**这一步是关键分水岭:很多人在"生成"上反复调 Prompt,实际上问题出在检索——只要多看一眼"检索回来的文档里到底有没有答案",就能立刻分辨。 ## 三、最佳实践清单 ### Q:数据处理环节有哪些最佳实践? A:结论先行——**四个关键词:清洗、按类型分块、控制 chunk 大小、打元数据**。 ```text □ 文档预处理:去除噪声(页眉页脚、广告、导航栏) □ 分块策略:根据文档类型选择(结构化用标题分块,非结构化用递归分块) □ Chunk 大小:500~1000 字符,overlap 10%~20% □ 元数据:为每个 Chunk 添加来源、时间、类别等元数据 □ 定期更新:建立文档更新的自动化 Pipeline ``` 为什么"文档预处理"排第一?因为垃圾进、垃圾出。页眉页脚、广告、导航栏这些噪声如果不清掉,会被切进 chunk 参与向量化,直接拉低检索精度——而且它们往往在每一页重复出现,危害被放大。 "结构化用标题分块"指 Markdown、HTML 这类有标题层级的内容,按标题切最自然;"非结构化用递归分块"就是前面讲的 `RecursiveCharacterTextSplitter` 那套。 ### Q:检索环节有哪些最佳实践? A:结论先行——**混合检索打底、两级精排、元数据过滤、阈值兜底、多路召回**。 ```text □ 混合检索:BM25 + 向量检索(默认方案) □ 重排序:初步检索 Top-20,Reranker 精排 Top-5 □ 元数据过滤:缩小搜索范围 □ 相似度阈值:过滤掉相似度太低的结果 □ 多路召回:不同策略的结果合并 ``` 要点解读: - **"BM25 + 向量"作为默认方案**:单一检索方式总有盲区,混合检索是性价比最高的起点。 - **两级精排**:粗排(向量 + BM25)拿 Top-20,再用 Reranker(Cross-Encoder,交叉编码器)精排出 Top-5。为什么分两级?因为 Cross-Encoder 精度高但慢,不能对全库跑,只能对小候选集跑。 - **多路召回**:把不同策略(不同 Embedding、不同分块粒度)的结果合并去重,提升整体召回上限。 ### Q:生成环节有哪些最佳实践? A:结论先行——**Prompt 结构完整、明确幻觉控制、强制引用溯源、流式输出、多轮改写**。 ```text □ Prompt 明确:角色设定 + 规则 + 上下文 + 问题 □ 幻觉控制:要求基于文档回答,不确定就说不知道 □ 引用溯源:回答中标注来源 □ 流式输出:提升用户体验 □ 多轮对话:Query 改写保持上下文 ``` "角色设定 + 规则 + 上下文 + 问题"是一个最小但完整的 Prompt 骨架。特别值得注意的是**引用溯源**:要求 LLM 在回答里标注来源(如 chunk 编号),一方面提升可信度,另一方面它本身就是一种幻觉抑制手段——模型被要求"说出依据在哪",就更不敢随口编。 ### Q:评估与监控有哪些最佳实践? A:结论先行——**建数据集、自动 + 人工双评估、监控三类指标、收用户反馈、定期分析 bad case**。 ```text □ 建立评估数据集(至少 50 条 QA 对) □ 自动评估(RAGAS)+ 人工评估 □ 监控关键指标:延迟、Token 消耗、错误率 □ 收集用户反馈(点赞/点踩) □ 定期分析 bad case,针对性优化 ``` 为什么"至少 50 条"是个合理的下限?太少则统计不显著,改动带来的真实变化会被噪声淹没;同时 50 条也足够跑通流程、快速验证改动方向。上线后的"bad case 分析"则是把用户反馈转化为改进项的闭环。 ### Q:这份最佳实践清单怎么用才不流于形式? A:结论先行——**不要一次全上,而是把它当成"体检表",每轮迭代只勾选当前阶段最相关的 2~3 项**。 清单最大的风险是被当成"打勾式任务":一次性全做完,结果既没精力验证每项的效果,也说不清哪项真正有用。正确的用法是分批推进: ```text 第 1 轮(先把质量立住):文档预处理 + 分块策略 + Prompt 明确 第 2 轮(提检索):混合检索 + 重排序 第 3 轮(提可控性):元数据过滤 + 相似度阈值 + 引用溯源 第 4 轮(提可持续):评估数据集 + 监控 + bad case 分析 ``` 四个环节的清单里,我建议**最先做"评估与监控"里的第一条——建立评估数据集**。原因很实在:没有它,后面每一轮的"改善"都无法被证明,你只是在凭感觉打勾。 (清单里其余条目不必逐条展开——每一条都是前面五类问题解法与最佳实践的浓缩,遇到对应问题时回来对照即可。) ## 四、RAG 系统的迭代路径 ### Q:一个 RAG 系统应该按什么节奏迭代? A:结论先行——**四个阶段:最小可用(1~2 天)→ 基础优化(1~2 周)→ 进阶优化(持续)→ 生产级(按需)**,每一阶段都有明确的"先做什么"。 ```text 阶段 1:最小可用(1~2 天) 固定大小分块 + OpenAI Embedding + Chroma + 基础 Prompt → 先跑起来,看看效果 阶段 2:基础优化(1~2 周) 递归分块 + 混合检索 + Reranker + 优化 Prompt → 解决最明显的问题 阶段 3:进阶优化(持续迭代) Query 改写 + Parent Document + 语义缓存 + 评估体系 → 系统化提升 阶段 4:生产级(按需) 分布式向量库 + 监控告警 + A/B 测试 + 增量更新 → 稳定可靠地服务 ``` 这个路径的价值在于**避免过度设计**:阶段 1 用 Chroma 就够,不必一开始上 Milvus;阶段 2 先把"最明显的问题"(分块、检索、Prompt)解决,再考虑 Query 改写等进阶手段。很多团队的错误是跳过阶段 1、2,直接冲阶段 4 的架构,结果基础质量一塌糊涂。 ### Q:四个阶段里,哪些工作可以并行、哪些必须串行? A:结论先行——**质量工作是串行的(先分块、后检索、再 Prompt),工程与监控可以和阶段 2 并行推进**。 ```text 必须串行(有依赖): 分块策略 → Embedding 选型 → 检索策略 → Prompt 优化 原因:上游不稳,下游测不准 可以并行(低耦合): 评估数据集建设(越早越好,从阶段 1 就能开始) 监控埋点(阶段 2 就可以先埋,为阶段 4 铺路) ``` 为什么"评估数据集"要越早越好?因为它是一个**贯穿始终的标尺**——阶段 1 你用它测"能不能用",阶段 2 用它测"每一项优化有没有用"。等到阶段 3、4 才建,等于前两个阶段都在盲改。 ### Q:怎么避免在每个阶段都"过度优化"? A:结论先行——**用"当前阶段的目标指标是否达标"来决定何时进入下一阶段**,而不是凭感觉一直调。 ```text 阶段 1 的毕业条件:能稳定答对一批基础问题 阶段 2 的毕业条件:检索指标(Recall / Precision)达到可接受水平 阶段 3 的毕业条件:评估体系闭环跑通,bad case 有明确归因 阶段 4 的毕业条件:线上稳定,监控与告警齐备 ``` "可接受水平"要结合业务定——面向内部员工的制度问答,和面向客户的法律咨询,对 Faithfulness 的要求完全不同。定不清这个门槛,就容易在一个阶段里无限打磨、迟迟不上线。 ### Q:为什么阶段 2 只做"混合检索 + Reranker",不把 Query 改写等进阶手段一起上? A:结论先行——因为阶段 2 的目标是"**解决最明显的问题**",而混合检索 + Reranker 的收益最大、风险最低,先把地基补平再谈进阶。 ```text 混合检索 + Reranker:不改数据、不改索引,只动检索环节 → 见效快、可回退 Query 改写 :每次问答多一次 LLM 调用 → 增成本、增延迟、增不确定性 ``` 把进阶手段留到阶段 3,还有一个好处:**此时你已经有评估集了**。阶段 3 引入 Query 改写,可以用数据证明它到底带来多少提升,而不是"感觉应该有帮助就上"。 ### Q:阶段 3 说的"评估体系"具体指什么? A:结论先行——指的是"**一套能自动跑、可对比、能定位的评估闭环**",而不是单个指标。 ```text 1. 固定的评估集(50~200 条,含 ground_truth) 2. 自动评估脚本(如 RAGAS,一键跑出各项指标) 3. 与基线对比的能力(每次改动都能算出涨跌) 4. bad case 分析流程(下钻到单条,定位环节) ``` 有了这套闭环,阶段 3 之后的所有优化才从"经验驱动"升级成"数据驱动"。这也是为什么它值得单列为一个阶段——**它本身不出效果,但没有它,后面的效果都不可验证**。 ## 五、工程实践与踩坑 结论先行:所有问题的排查都应遵循"**先定位环节,再选方案**",而不是"感觉哪里不对就换模型"。 几个实战经验: 1. **建立"问题 → 环节"的映射再动手**。检索不到就是检索/分块问题,幻觉就是生成/Prompt 问题,别混着改,否则无法归因。 2. **数据预处理是最高杠杆的优化**。清洗噪声的收益常常大于换一个更贵的模型。 3. **延迟优化要按耗时占比来**。LLM 生成占大头,先做流式输出和缓存;纠结向量检索的几十毫秒是抓小放大。 4. **降本和降延迟常常同向**——减少 Top-K 同时利好两者,但要盯住召回是否掉。 5. **监控里"幻觉率"最难测**,实践中用抽样人工 + 用户点踩近似,别指望全自动。 6. **迭代要分阶段**,先可用、再好用、再稳定,不要一步到位。 ```text 排查通用套路: 现象 → 定位环节(检索/生成/衔接)→ 选对应手段 → 单变量验证 → 观察指标 ``` ### Q:为什么"排查顺序"比"具体方案"更重要? A:结论先行——因为 RAG 的每个方案都有副作用,选错顺序会让你在"修 A 坏 B"的循环里越陷越深。 具体来说: - 如果你没先定位环节就上去改 Prompt,可能把一个"检索漏召回"的问题误当成"生成不听话",白忙一场。 - 如果你先做成本优化(减 Top-K),可能掩盖了真正的问题(召回本来就低),让质量进一步恶化。 - 如果你不做单变量验证,把延迟优化和质量优化一起上,最后根本说不清哪个起了作用。 ```text 方案决定"能不能修好",顺序决定"要绕多少弯路" ``` 一个成熟团队的标志,不是掌握多少高级技巧,而是**遇到问题时有稳定的排查流程**,而不是凭经验拍脑袋。 ### Q:为什么"建立评估集"要放在所有优化之前? A:结论先行——因为没有基线,你的每一次优化都无法被证明,也无法被回归保护。  *图:有无评估集:凭感觉改还是按指标改* ```text 没有评估集: 改 A → "感觉好了" → 改 B → "好像变差了" → 改 C → 彻底乱了 有评估集: 改 A → 指标 +0.05 → 保留 改 B → 指标 -0.03 → 回退 改 C → 指标 +0.08 → 保留 ``` 这两条路径的差别,不是"效率高低",而是"是否可控"。所以哪怕只有 50 条用例,也要先建起来。 ## 小结 - 五类高频问题:**检索不到、幻觉、回答不完整、延迟太高、成本太高**;前三类管质量,后两类管可用性与成本。 - 检索不到:先查分块是否切断答案,再查 Embedding,再补充混合检索 / Query 改写。 - 幻觉:Prompt 强制"只基于文档回答"、temperature 设 0、加引用要求、必要时用 Self-RAG 或后处理验证。 - 回答不完整:增大 Top-K、解决 Lost in the Middle、用 Map-Reduce 或 Parent Document Retriever。 - 延迟:LLM 生成是大头,优先流式输出 + 缓存;其余环节靠本地化与减少候选。 - 成本:Token ≈ (System + Context + Question + Answer) × 请求数,Context 是主变量,用减少 Top-K / 上下文压缩 / 模型路由 / 缓存来降。 - 迭代分四阶段:最小可用 → 基础优化 → 进阶优化 → 生产级,不要越过基础直冲生产架构。 - 延迟与成本同源(都受 Top-K 影响),常常一起治、一起坏,要一起看。 - 排查顺序(复现 → 定位环节 → 选手段 → 单变量验证)比具体方案更重要。 - 清单式最佳实践要分批落地,最先做的是"建立评估数据集"。 - 一句话总结:RAG 的问题排查不是"找最强方案",而是"先定位环节,再做最小改动并验证"。 - 五类问题的解法是联动的:检索治理、生成约束、上下文组织、性能优化、成本控制,本质上是一套互相牵制的体系。 ## 思考题 1. 检索不到相关文档时,你会先怀疑分块、Embedding 还是 Prompt?为什么排查顺序很重要? 2. 为什么"减少 Top-K"既能降延迟又能降成本?它的代价是什么? 3. "四阶段迭代路径"里,哪些工作必须先于"上分布式向量库"完成?如果顺序颠倒会带来什么问题?
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