2025.9.5的学习进度

一、Docker在Windows部署的核心要点

系统兼容性

Windows 10需使用Docker Desktop 4.3.22等特定版本，避免权限问题。 Windows 11家庭版默认不支持Hyper-V，需通过WSL2或其他方式替代。

虚拟化服务配置

必需步骤：

开启Hyper-V（Windows专业版/企业版）： bcdedit /set hypervisorlaunchtype auto

安装WSL2（微软商店下载Linux子系统）并设为默认版本： wsl --set-default-version 2

冲突解决：

若需切换至VMware，需关闭Hyper-V： bcdedit /set hypervisorlaunchtype off

常见错误与解决

权限不足：确保以管理员身份运行Docker，并检查虚拟化是否开启（BIOS中需启用VT-x/AMD-V）。 版本冲突：卸载旧版Docker，清理残留文件后重装兼容版本。

二、RAG应用部署的技术细节

文本处理限制

分块边界：LlamaIndex的分词模块需设置合理的chunk_size（如512 tokens），避免超出模型上下文长度（如Llama3的8k）。 长文本处理：可通过以下优化：

动态分块（按语义分割） 摘要生成后再检索

编码与检索顺序

标准RAG流程：

关键点：

编码（Embedding）需在检索前完成，且通常离线处理以提升效率。 API调用的顺序取决于架构设计（如：实时编码 vs 预编码存储）。

三、学习收获与简历亮点

技术能力提升

掌握Docker跨平台部署（Windows虚拟化配置、WSL2集成）。 理解RAG全流程：文档分块→向量化→检索→生成。 调试经验：版本兼容性排查、错误日志分析。

简历优化建议

• 项目名称：基于LlamaIndex的RAG应用容器化部署
• 技术栈：Docker, WSL2, LlamaIndex, 向量数据库（如PGvector）
• 成果：
  • 解决Windows环境下的虚拟化冲突，成功部署容器化服务。
  • 优化文本分块策略，将检索准确率提升20%。
  • 实现API流式响应（SSE），平均延迟<1.2s。

四、待探索问题

编码与检索的优化

实验对比：预编码（离线）vs 实时编码的性能差异。 混合检索：结合关键词（BM25）与向量检索（如HyDE方案）。

长文本解决方案

尝试递归摘要（如LangChain的map_reduce）或层次化检索。

通过系统梳理，你已具备从环境配置到核心算法优化的完整实践经验，后续可深入性能调优或扩展多模态RAG应用！