xiaokangz

@chisoo 并不是所有的直营店都会给你备用机用，比如苏州中心的直营店，手机返厂，我问他们能不能给我个备用机，他们是没有！然后旁边的开了 Apple Care 的店员主动给他拿了歌备用机！

卧槽，我的 15p （系统版本 17.7.1 ）也有这个问题，测速才 10+mbps ，然后用我老婆的 16pm （系统版本 18 ）测了下，她的是 200+mbps ，我们都是联通，坐标苏州，
我现在开始怀疑是 iPhone 的问题，要不要去零售店问一下

这个好用选，southeast aisa 的 VM ，速度很快下载可以达到十几、几十 MB ，最简单的部署恐怕是 OpenVPN ，虽然用起来不是特别爽，但简单

确实不妥，一个需求 200 个 commit 对后面查看变更历史时会造成很大的困扰。更好的做法是在 merge 回主分支之前将对 master 做 rebase 并将所有 commits squash 为一个 commit 。

注重 Git 提交历史本身就是一种专业的态度

回复下自己的帖子吧，分享下自己做这个项目的经历，说不定对跟我一样懵的小伙伴有点帮助。

起初，我以为要通过微调来实现，但搞了几天后，发现根本搞不起来，一来没有机器，二来也没有数据。后来有一个同事提到说，可以用 RAG 实现。当时我还没听过这个词，于是换了换思路，发现市面上已经有很多现成的工具，比如 MaxDB 、AnythingLLM 之类的，而且使用下来发现效果还过得去。于是就开始尝试理解 RAG （检索增强生成）的工作原理。就这样，一边学一边做，最后把整个流程跑通了。

现在看来 RAG 无非就是让大模型做阅读理解，唯一的难点是如何提升检索内容的相关性与准确性，这是提升大模型回答质量的关键。

在深入研究之后，发现传统的 RAG 更适合回答那些知识库已经有明确答案的问题，比如如何创建一个用户，这类问题通常手册里已经给出了明确答案。但诸如“这本书大致讲了一个什么样的故事？”之类的全局性问题，传统 RAG 无能为力。此时可以考虑使用 LightRAG ，或者 GraphRAG 。

可以考虑使用折线图📈，放在一张图里看的更清楚

@mdb GPT-4o mini 是 OpenAI 的一个模型，不是本地的，你要在本地跑的话考虑用 Ollama ，建议上 GitHub 拉下 LightRAG 的源代码，本地体验下

最近刚好有研究过一点点，对于这类全局性问题，一般的 RAG 基本没法满足需要，可以尝试下 LightRAG 或 GraphRAG 。使用时需要先借住 LLM 建 Graph ，建完之后就可以回来诸如“比如帮我总结下我和谁谁谁的聊天记录”的问题。当时我用 GPT-4o mini 建的 Graph ，效果还可以的。