知识库成员使用指南 - 飞书
https://www.feishu.cn/hc/zh-CN/articles/582922484818-%E7%9F%A5%E8%AF%86%E5%BA%93%E6%88%90%E5%91%98%E4%BD%BF%E7%94%A8%E6%8C%87%E5%8D%972025年2月17日 ... 问：为什么不同的人看到的桌面端知识库左侧目录页顶部信息不同，有的显示“飞书云文档”字样，有的显示知识库名称？ 答：这是新旧版云文档主页差异 ...
飞搜侠
热门搜索
《MetaGPT智能体开发入门》教程 - 飞书文档
https://docs.feishu.cn/article/wiki/KhCcweQKmijXi6kDwnicM0qpnEf前置准备. 为了让大家在实操过程中有良好体验，在正式进入到本章节的实操 ... 使用类的方式，来实现定时Trigger import time from aiocron import crontab from ...
快速上手多维表格 - 飞书
https://www.feishu.cn/hc/zh-CN/articles/697278684206-%E5%BF%AB%E9%80%9F%E4%B8%8A%E6%89%8B%E5%A4%9A%E7%BB%B4%E8%A1%A8%E6%A0%BC2025年6月4日 ... 一、认识多维表格多维表格（Base）是一款表格形态的在线数据库，用来存储和管理数据。区别于常规的电子表格，多维表格不仅能实现数据的存储、分析及可视化 ...
最全的RAG技术概览 - 飞书文档
https://docs.feishu.cn/article/wiki/UNRCw5gL0iCwTukfNtacvXChnnd本文的宗旨在于系统整理并介绍关键的高级检索增强生成（Retrieval Augmented Generation, RAG）技术，并重点参考了LlamaIndex 中的实现案例，以便于其他开发者更深入地掌握这项 ...
服务调用：实现微服务间的远程通信 - 飞书文档
https://docs.feishu.cn/v/wiki/R4Sdwvo8Si4kilkSKfscgQX0niB/a4... 设计、开发模式都非常简单。 当项目规模较小时，这种模式上手快，部署、运维也都 ... 每个服务独立部署，并且做好服务隔离，使用自己的服务器资源，不会影响到其它服务。
微软GraphRAG：强大的全局理解能力 - 飞书文档
https://docs.feishu.cn/v/wiki/PKAyweuP1iS7v7kiHEscOylBnid/a1而GraphRAG结合知识图谱，RAG和QFS这些方法的优势，它可以根据用户问题的普遍性和要索引的源文本量进行扩展。该方法使用LLM构建基于图的文本索引，包括从源文档派生实体知识 ...
图解高级RAG技术 - 飞书文档
https://docs.feishu.cn/article/wiki/MVMxwHBiNiz3Zpkj0aGc7QMRnFb在运行时，我们使用同一编码器模型对用户的查询进行向量化，然后搜索该查询向量的索引，找到top-k 个结果，从我们的数据库中检索相应的文本块，并将它们作为上下文输入到LLM ...
全面解读高级检索增强生成技术（RAG）：原理、流程与应用
https://docs.feishu.cn/v/wiki/APb6wdLL9iJZd5k9GEpceoTCnKI/a1在运行时，我们使用相同的编码器模型对用户的查询进行矢量化，然后针对索引执行该查询向量的搜索，找到前k个结果，从数据库中检索相应的文本块，并将它们作为上下文输入到LLM ...
高级RAG 技术：图解概述 - 飞书文档
https://docs.feishu.cn/article/wiki/SFjhwrbLYiCVw3kJt8VcttDmnZg在运行时，我们使用同一编码器模型对用户的查询进行向量化，然后搜索该查询向量的索引，找到top-k 个结果，从我们的数据库中检索相应的文本块，并将它们作为上下文输入到LLM ...
RAG中的数据准备：详细环节与技术 - 飞书文档
https://docs.feishu.cn/v/wiki/KVIBwTxnrixYrFkT7oycPX7QnBg/a3查询转换是一系列技术，使用LLM 作为推理引擎来修改用户输入以提高检索质量。有很多技术实现可供选择。 **对于复杂的查询，大语言模型能够将其拆分为多个子查询。 **比如，.