快速上手多维表格 - Feishu
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 ...
飞搜侠
热门搜索
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 ...
《MetaGPT智能体开发入门》教程 - 飞书文档
https://docs.feishu.cn/article/wiki/KhCcweQKmijXi6kDwnicM0qpnEf使用Python实现异步编程的一个重要原因是Python的异步支持已经相当成熟。Python的 asyncio 库提供了一套易于理解和使用的API，用于编写单线程的并发代码。这使得Python成为 ...
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 ...
GraphRAG索引中如何处理源文档？
https://docs.feishu.cn/v/wiki/PKAyweuP1iS7v7kiHEscOylBnid/a9大语言模型（LLM）是在大量数据上训练，但他们并不是在我们私有数据上训练，因此要想让LLM能够回答我们私有数据集上的问题，我们就得使用一种叫做检索增强生成（RAG）的技术。它的 ...
day03-微服务01 - 飞书文档
https://docs.feishu.cn/article/wiki/R4Sdwvo8Si4kilkSKfscgQX0niB... 在线答疑。还有独享的企业级项目，避免与人撞车。 本篇文档对应B站视频： 【黑马程序员SpringCloud微服务技术栈实战教程，涵盖springcloud微服务架构+Nacos配置中心+ ...
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 ...
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 ...
高级检索增强生成技术(RAG)全面指南：原理、分块、编码 - 飞书文档
https://docs.feishu.cn/article/wiki/APb6wdLL9iJZd5k9GEpceoTCnKI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：分块与向量化 - 飞书文档
https://docs.feishu.cn/v/wiki/KVIBwTxnrixYrFkT7oycPX7QnBg/a5RAG 是2023年基于LLM 的系统中最受欢迎的架构。许多产品基于RAG 构建，从基于web 搜索引擎和LLM 的问答服务到使用私有数据的chat应用程序。 尽管在2019年 ...