本节内容 1）理解RAG标准的工作流程核心特性 2）本地虚拟机搭建PGVector实现向量存储 3）根据RAG最佳实践描述，分析笔记4文档，搭建一个RAG应用 RAG的核心特性 在笔记4中，写到RAG的简单工作流程，其标准的工作流程是： 文档收集和切割 向量转换和存储 文档过滤和检索 查询增强和关联 !1.png 文档收集和切割 - ETL ETL（Extract, Transform, Load

本节内容 1）理解 RAG 的工作流程和原理 2）实战基 于 Spring ؜AI + 本地知识⁢库实现 RAG 3）实战基于 Spring AI + 云知识库实现 RAG 一、理解 RAG 的工作流程和原理 什么是RAG？ RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合了信息检索和生成式模型的AI技术，旨在提高生成内容的准确性和相关性。 想象一下，

奖励收到了，哈哈哈

代码地址 https://github.com/bbhhe/hu-ai-agent.git 本节内容 1）一个简单得多轮对话应用，熟悉SpringAi的工作流程，理解对话记忆、Advisor 2）自定义Advisor保存对话记忆，并识别响应用户的个性化偏好 3）利用结构化输出特性，将 AI 的输出映射为自定义的 Java 对象 4）实现ChatMemory，把用户对话持久化到Sqlite数据库中

代码地址 https://github.com/bbhhe/hu-ai-agent.git 本节内容 在 AI 应用平台上创建智能体应用、工作流应用、智能体编排应用 使用至少一个 AI 软件客户端，推荐Cursor完成后端项目初始化 实践 4 种程序调用 AI 大模型的方式 使用 Ollama 部署 1 个本地大模型，并且通

在 亿级流量点赞系统教程中系统可观测控制面板中配置分位值，看教程中的解释不是很理解，在学习一下。 分位值（Quantile）是一种统计学概念，用于描述数据分布的特征。它将一组数据按照从小到大的顺序排列，并将其分成若干等份，每个等份的边界值即为分位值。在性能分析中，分位值常用来评估系统的响应时间、延迟等指标，特别是当数据集中存在异常值或极端值时，分位值能更准确地反映大多数请求的真实情况。 以教程中提

代码地址 Github地址：https://github.com/bbhhe/thumbs-backend.git 总结 哦吼，历时18天，终于走完整个项目，回顾下项目的内容： 笔记1开始我们实现了一个简易的点赞系统，用户可以点赞和取消点赞，获取博客 笔记2我们通过redis进行数据读优化。 笔记3我们通过redis的lua脚本，进行数据写优化。 笔记4学习通过多级缓存机构和热点key检测，进行超

代码地址 Github地址：https://github.com/bbhhe/thumbs-backend.git 章节内容 高可用得架构方案 AI生成前端代码 高可用的架构方案 在真实的企业级应用场景中，为了保持系统的可用性和稳定性，通常会采用分布式架构实现系统的高可用性。 高可用性是指系统在面对各种故障时仍能保持服务的能力，特别是在高流量、高并发场景下，任何组件的故障都可能导致整个系统的崩溃。

代码地址 Github地址：https://github.com/bbhhe/thumbs-backend.git 章节内容 完善系统的可观测性能力，实时了解系统的健康状况和性能指标 技术方案 本项目将构建一套基于 Prometheus 生态的可观测性解决方案，所以在此之前我们需要先熟悉下 Prometheus 和 Grafana。 Prometheus：一个开源的监控系统，用于收集和存储时间序列

代码地址 Github地址：https://github.com/bbhhe/thumbs-backend.git 章节内容 引入分布式数据库 使用Jmeter进行压力测试 开发内容 引入分布式数据库 部署TiDB集群 1.1 我使用本地安装一个vmware虚拟机，然后启动一个ubuntu系统，然后安装TiDB集群。 1.2 系统启动好了,下载安装脚本 1.3 下载完之后启动 默认账户：root