⭐️ 叙旧 / 学习实践 RAG / 寻找童年老游戏

掏出了尘封已久的一堆存储卡，尝试数据恢复了一次

• 容量越小，能恢复的资料概率就越小（因为被覆写了）
• 在一张 8G 的卡里看到了一些十几年前的微信群聊小视频，那时我还是初中生
• 记忆就和画面一样很模糊，以前大家庭经常有聚会吃喝的活动，现在比以前少了很多

今天的课主要讲的是 RAG，增强检索生成

• 最核心的点是文本数据的向量化，存到向量数据库
• 后续在 Prompt 里面贴上检索到的内容作为参考资料来源，再用 LLM 改写一次输出
• 我认为数据向量化之后去搜索，就是从传统数据库的字符串完全命中，变成了语义命中
• 存向量数据库需要对数据进行切片，一问一答方式，提前预设用户可能的提问，增加命中率
• 用户的提问可能很含糊，用 LLM 结合上下文先改写一遍 Query，称作 Agentic RAG

我用 Cursor 搓了个最基础的 RAG Demo，发现挺有意思的，它的切片是包含前后重叠的，源码开源

• 这种方式适合内容存在交叉性的情况，确保都能被检索到
• 这份 Demo 用了 Chroma 和 BAAI/bge-small-zh-v1.5 向量化模型
• LLM 模型接的是隔壁台式机本地 Ollama 跑的 qwen3.5:4b，有点傻
• 我好奇如果换了个向量化模型，是否之前的向量化数据就没用了，问了下 AI 看上去事实确实如此

了解到了 ArtCraft 系列软件，力求复刻 Adobe 全家桶的开源套装

• 不得不说 AI 的确将“闭源”的护城河逐渐拆散，未来的软件行业要如何盈利呢

迁移了下虚拟机的磁盘位置，并且打开玩了一会儿老游戏“小小贪吃蛇”，我是个非常念旧的人呢

• 想起小学时自己试玩过它们家的“老鼠大师”，一款以拼图为主要玩法的解谜游戏
• 意外在 互联网档案馆 上找到了免费的完整版资源
• 这在以前是望而不及啊，没渠道买也没机会下载到破解版，当时我还是有上 Google 和英文检索的基础能力的
• 游戏是完整的 6 页关卡，画面很有当年的千禧年风，游戏整体只有小小的 4MB，但确实很有意思