如何高效转换PDF为Markdown：构建优质Graph RAG的第一步

原创 最新推荐文章于 2026-09-23 15:54:38 发布 1.8k 阅读 AI写同款
冻感糕人~
冻感糕人~ 博客等级 码龄3年 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.8k累计阅读 1.8k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要
8926粉丝2384篇原创
关注
六个开源的PDF转Markdown项目 无论是文档、表格、图像、视频、音频文件，还是网页，OmniParse 都能对其进行处理，使其变得干净、结构化，并为诸如 RAG（Retrieval-Augmented Generation）和细调等AI应用做好准备。它主要用于高效地解析 PDF 文档中的排版、数学公式、表格、图片、图表等内容，并将这些内容转换为结构化的 Markdown 格式。gptpdf 是一个利用VLLM解析PDF为Markdown的工具，几乎完美支持数学公式、表格等。将每个图像传给 GPT，让其生成 Markdown 格式的文本。 阅读详情
AI摘要

本文探讨了如何高效地将PDF文件转换为Markdown格式，以支持构建图RAG系统。介绍了几种常用的PDF处理工具，并对它们的性能进行了比较。最终提出了一个结合Dockling工具和云服务并行处理的解决方案，以提高大规模文档处理的效率。

图片

.01

概述

在信息驱动的时代，基于图的RAG（Graph RAG）正迅速成为一种强大的工具，超越了传统依赖向量存储的RAG应用。它不仅提供语义相似性检索，更具备强大的推理能力。例如，向量存储能轻松回答“XYZ公司去年的CFO是谁？”这种基于显式信息的问题，但对于“XYZ公司哪两位董事毕业于同一所学校？”这样需要隐式推理的问题，图RAG更胜一筹。

但问题在于，如何构建图数据库以支持这种高级检索？更进一步，如何从复杂的年报中提取信息，为图数据库的构建铺平道路？

本文将重点探讨年报信息的提取与转化，尤其是如何将PDF转化为Markdown这一工程关键环节。

.02

PDF转化为富文本：选择正确的工具

PDF是信息存储的常见格式，但年报中不仅有文本，还包括图表、表格等关键信息。如何高效、准确地将这些内容转化为结构化的富文本，直接决定了后续数据处理和图数据库构建的质量。

常用PDF处理工具评测

1） PyPDF2
对于大多数Python程序员来说，PyPDF2可能是处理PDF的首选工具。它的主要优势是快速、轻量化。然而，它的缺点也很明显：提取的内容缺乏结构性，没有区分标题、列表或表格，这使得后续处理变得复杂。

图片

2） PyMuPDF4LLM
PyMuPDF4LLM是一个将PDF直接转换为Markdown的工具，且保留了文本的结构信息。Markdown格式的文本因其内嵌的层次信息，被Langchain等框架广泛支持。这种格式不仅方便分块处理，还为数据存储和检索提供了更多维度的信息。

图片

然而，PyMuPDF4LLM在处理表格时表现不佳，提取结果往往与原始表格大相径庭。

3） Dockling
Dockling由IBM Deep Search团队开发，它在提取PDF内容方面表现出色，尤其是在保留表格信息和文档结构方面。Dockling生成的Markdown包含占位符以标记图片，并且准确保留了层级标题和表格信息，这对创建块结构和图数据库非常有帮助。

图片

4） Marker
Marker是另一个优秀的Markdown提取工具，在处理表格和复杂文档时与Dockling不相上下。但性能和速度稍逊一筹。

图片

.03

性能比较：四种工具的优劣势

为了更直观地比较这些工具，我们选取了包含文本、表格和图片的年报片段，并测试了它们在不同页数PDF上的处理速度。

测试结果

图片

图片

分析与选择

在性能和提取质量之间存在显著权衡：

  • 如果速度是首要考虑因素，PyPDF2 是最佳选择，但需额外处理提取内容的结构化问题。
  • 如果需要高质量的表格和结构信息，Dockling 是最优解，尽管其速度偏慢。

对于我们的年报处理项目，每份年报约300页，使用Dockling处理50份年报需耗时17小时。如果扩展到S&P500企业过去30年的年报（假设每年一份），单线程处理将耗时208天。

.04

如何解决性能瓶颈

并行化处理与云服务
为了应对大规模文档处理需求，我们开发了一个云服务，将PDF转化工作分布到多个并行进程中。

  • 并行处理：将年报分块到多个处理节点，利用云计算资源显著提升效率。
  • 动态扩展：根据项目规模调整并行任务的数量，实现弹性扩展。

这种方式不仅解决了单线程的速度限制，还为项目未来的扩展提供了可行路径。

.05

最终解决方案：PDF到Markdown的转化策略

结合以上测试结果与性能优化方案，我们的最终工作流程如下：

  • 使用Dockling提取PDF内容为Markdown，确保表格和结构信息的完整性。
  • 将Markdown文件按逻辑分块，为图数据库构建提供更优质的数据源。
  • 通过并行化的云服务加速处理，满足大规模数据处理需求。

.06

结语

从PDF到Markdown的转化是构建图RAG的第一步，而选择合适的工具则是实现高质量数据提取的关键。尽管Dockling在速度上存在劣势，但其卓越的提取质量使其成为优选工具。通过并行处理，我们克服了性能瓶颈，为构建更智能、更高效的RAG系统奠定了坚实基础。

未来，随着技术的进一步发展，PDF转化工具的性能和准确性有望进一步提升。到那时，Graph RAG的构建过程将更加高效，为AI领域带来更多创新应用。

如何学习AI大模型？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高

那么我作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，希望可以帮助到更多学习大模型的人！至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

👉 福利来袭优快云大礼包：《2025最全AI大模型学习资源包》免费分享，安全可点 👈

全套AGI大模型学习大纲+路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

img

640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉 福利来袭优快云大礼包：《2025最全AI大模型学习资源包》免费分享，安全可点 👈

img

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。

标签
#pdf #数据库 #算法 #人工智能 #大模型训练
#深度学习 #大模型技术
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
基于Python给出的PDF文档转Markdown文档的方法 注：网上有很多将Markdown文档转为PDF文档的方法，但是却很少有将PDF文档转为Markdown文档的方法。就算有，比如某些网站声称可以将PDF文档转为Markdown文档，尝试过，不太符合自己的要求，而且无法保证文档没有泄露风险。于是本人为了解决这个问题，借助（能使用GPT镜像或者有条件直接使用GPT的，反正能调用GPT接口就行）生成Python代码来完成这个功能。，若有错误，欢迎指出。本次笔记记录于24.1.21。（中途运行时，发现代码中存在bug从而对代码进行了更新，比如。 阅读详情

相关推荐

PDF转Markdown：6种常用开源工具深度对比-实战案例

本文对比了6款主流开源PDF转Markdown工具，重点介绍了Marker和MinerU两款代表性工具。Marker是一款轻量级高性能解决方案，基于PyMuPDF和Tesseract OCR技术，处理速度快4倍，适合科研文献等基础格式转换。MinerU则是企业级高精度解析器，集成LayoutLMv3和YOLOv8深度学习模型，支持84种语言OCR，适用于学术文献管理和财务报表解析等高精度场景。文章详细提供了两款工具的安装配置指南、核心代码示例和批量处理脚本，帮助开发者根据实际需求选择合适工具。

4882

PDF转Markdown文件

PDF文件直接转Markdown也可以使用Obsidian加Markdown插件直接转，但是弊端是，图片资源都没有了，需要自己截图或者获取pdf图片源文件。这里建议从pdf转docx。

倾锋落颖花 1万+

基于LangChain与RAG技术构建企业级智能客服系统实战指南

大语言模型（LLM）在通用对话中表现出色，但其知识受限于训练数据，难以处理私有、实时或特定领域信息，这导致了“幻觉”问题。检索增强生成（RAG）技术通过引入外部知识库，让模型在生成答案前先检索相关信息，有效提升了回答的准确性和可信度，成为解决领域知识问答的关键。在工程实践中，LangChain框架通过将文档加载、文本分割、向量检索、提示工程等环节模块化，大幅降低了构建RAG应用的复杂度。结合智能体（Agent）技术，系统不仅能回答知识性问题，还能调用工具执行查询、创建工单等具体操作。本文以构建企业智能客服系

weixin_30376083的博客 425

一个好用的小工具 | 将PDF转换为Markdown格式

点击下方卡片，关注“小白玩转Python”公众号我使用过多种在线工具将PDF文档转换为Markdown格式，我觉得最好用的是Marker（可以通过链接访问：https://github.com/VikParuchuri/marker）。除了基本的Markdown转换，它还可以格式化表格，将大多数方程式转换为LaTeX格式，提取并存储图片。以下是我如何使用Marker提取PDF内容并将其转换为有效的...

Warmer_Sweeter 5666

RAG 2.0：GraphRAG+CoVe+RL三阶抗幻觉架构实战

RAG（检索增强生成）作为大模型落地关键范式，其核心挑战并非检索不准或生成不顺，而是语义断层导致的系统性幻觉——即答案看似合理却与原文矛盾。这源于传统RAG对文本片段的孤立处理，缺乏结构化理解、动态可信评估与真实反馈闭环。GraphRAG通过实体-关系图谱重建知识逻辑骨架，实现从关键词匹配到因果推理的跃迁；CoVe作为轻量级上下文价值评估器，在生成前对检索片段进行意图感知型打分，抑制盲目信任；RL则基于用户行为（如二次提问、工单关联）构建延迟衰减奖励机制，驱动生成策略持续向‘首次解决’收敛。三者分层协同，构

diaolouan9546的博客 372

LangChain框架解析：从RAG到Agent的LLM应用开发实战

大语言模型（LLM）应用开发中，如何高效整合模型、数据和工具是关键挑战。传统方法往往导致代码臃肿、难以维护，而编排框架通过提供标准化组件和设计模式，实现了模块化与可移植性。其技术价值在于将复杂工作流抽象为可组合的单元，显著提升开发效率和系统可维护性。在应用场景上，检索增强生成（RAG）技术通过向量化存储和相似度检索，为模型提供外部知识库，有效缓解幻觉问题；而智能体（Agent）则通过工具调用赋予模型行动能力，实现复杂任务自动化。本文以LangChain为例，深入探讨其核心架构与实战应用，涵盖模型I/O、检索

weixin_33849215的博客 428

Easy Vibe RAG 深度指南：从检索增强原理到企业级落地的完整技术解析

本篇技术指南以 Easy Vibe 项目进阶阶段（Stage 3）的 RAG 教程为主体，系统讲解检索增强生成（Retrieval-Augmented Generation）的核心价值、工作原理、三代演进脉络，以及从模型选型、执行框架到效果评估的企业级实践全链路。读完本文，你将掌握 RAG 如何解决大模型的成本、注意力与知识时效问题，理解 Embedding、Rerank、LLM 三类核心模型的选

gitblog_00004的博客 520

2025生产级RAG实战：上下文感知检索与具身式架构

RAG（检索增强生成）已从概念验证迈入高并发、强约束的工程化阶段。其核心原理在于打破静态查询假设，通过意图解构、多源混合检索与动态重排序，实现对用户真实需求的精准响应。技术价值体现在显著提升关键信息首屏命中率、降低模糊查询失败率，并支撑医疗、政务、金融等对准确性与可追溯性要求严苛的场景。本文聚焦Contextual Retrieval（上下文感知检索）与Agentic RAG（具身式RAG）两大落地关键，详解如何让检索器理解对话状态、适配用户角色、自主拆解任务，从而构建真正可靠、可解释、可运维的生产级RAG

weixin_34116110的博客 388

Datawhale All-in-RAG 全栈指南：RAG 检索增强生成学习路线与仓库实践全景解析

本指南基于开源仓库 datawhalechina/all-in-rag 的英文门户文档 [docs/en/README.md](https://link.gitcode.com/i/c1a062a19fa6b4af2f0ba5d1cd66771e)，系统梳理项目定位、十章学习路线、配套代码与数据资源，并结合仓库内真实源码（`code/` 目录）与实战项目（`code/C8`、`code/C9`）给

gitblog_00405的博客 36

Modern RAG工程实践：从可运行到可交付的检索流水线构建指南

RAG（检索增强生成）已从概念验证迈入规模化落地阶段，其核心瓶颈正从大模型能力转向检索系统的工程健壮性。现代RAG并非简单叠加向量检索与LLM，而是围绕Query理解、混合检索、重排与后处理构建可监控、可解耦、可迭代的检索流水线。关键技术价值在于通过数据契约保障模块间兼容性，依托SLA契约约束延迟与稳定性，并以业务指标（如Bad Case Rate、Answer Confidence Score）驱动技术选型——而非追逐SOTA模型。典型应用场景涵盖客服知识库、法律条文比对、医疗指南检索等强准确性要求领域。

weixin_30666401的博客 351

大模型应用工程实践：RAG与Agent深度耦合的开源落地指南

大语言模型（LLM）作为基础推理引擎，需通过RAG（检索增强生成）解决知识幻觉、通过Agents实现自主工作流，二者深度耦合构成当前主流的开源应用范式。其核心价值在于将模型能力封装为可观察、可调试、可运维的软件系统，而非仅调用API或微调模型。技术实现上强调数据管道工程（如语义分块、查询重写）、向量数据库选型的稳定性与兼容性、Agent状态机的可观测性与人工干预能力。典型应用场景包括智能客服、内部技术文档助手等需高准确性、低延迟、强可追溯性的业务系统。本文聚焦开源可商用、部署路径明确、支持Agentic R

weixin_34221112的博客 179

大模型又在瞎编？RAG 检索增强生成终极指南：从原理到落地，根治 95% 的事实幻觉

提示词只能缓解幻觉，RAG 才是根治私有知识捏造的终极方案 —— 从零搭建企业级私有文档问答系统

weixin_62393776的博客 1523

pdf到markdown：PDF到Markdown转换器

PDF到Markdown转换器 使用Javascript工具解析PDF文件并将其转换为Markdown格式。 在线版本位于 ！ 主要变化 2017年4月-0.1：初始版本 有助于 使用和/或打开！ 有用的构建命令 npm install下载所有必需的npm软件包 npm run lint Lint的javascript文件 npm run test运行测试 npm run check Lint＆Test npm run build构建开发版本 npm run start在服务器上运行应用程序（用于加载worker.js和cmaps） npm run watch持续构建项目 open bui

【LangChain4j 05】【RAG】

本文介绍了LangChain4j框架中的RAG（检索增强生成）技术。RAG通过先检索后生成的方式，利用私有/实时数据增强大模型回答能力，降低幻觉概率。文章详细解析了RAG的索引和检索两阶段流程，以及三种实现方式：Easy RAG（开箱即用）、Naive RAG（基础定制版）和Advanced RAG（高级模块化方案）。其中重点展示了Easy RAG的快速实现示例，通过简单依赖注入即可完成知识库问答功能。完整代码已开源，适合开发者快速验证RAG技术。

猫吻鱼的博客 905

Unity2019编译器下使用Ump无错误，打包exe不播放 或 将exe文件在其他电脑下运行不播放

一、unity编译器下使用UMP可以播放视频，打包后查看debug 出现错误 UnloadTime: 1.070900 ms Fallback handler could not load library F:/PCTest/AccessControlSysteam/jfmx_Data/Mono/libdl Fallback handler could not load library F:/PCTest/AccessControlSysteam/jfmx_Data/Mono/libdl.dll Fa.

qq_42345116的博客 4700

Claude Skills：不是更聪明，而是更“像专家”的 Agent 养成方法

Claude Skills 不是在告诉 Agent“你能做什么”， 而是在约束它“你应该如何思考、如何判断、如何给结论”。

测试者家园 1294

从RAG到GraphRAG：企业级LLM知识库搭建全流程与选型指南

在信息爆炸的时代，如何将海量非结构化数据转化为可随时调用的知识，成为企业数字化转型的关键挑战。其核心原理是通过嵌入模型将文本向量化，利用向量数据库实现语义检索，再结合大语言模型进行智能问答，形成检索增强生成技术栈。这一技术价值在于打破信息孤岛，实现知识的沉淀与高效复用。在应用场景上，无论是个人笔记整理、企业内部文档管理，还是对外客服系统，都需要根据数据形态和团队能力选择合适的技术路线。本文聚焦于LLM知识库的实践，深入探讨了从基础文档处理、问答引用到进阶知识关联的完整搭建流程，特别是GraphRAG如何通过

weixin_33827590的博客 281

别再只看成交量了！用通达信这个VOL监测公式，一眼识别主力吸筹与出货信号

本文详细介绍了通达信VOL监测公式的实战应用，通过彩色量柱和换手率分层技术，帮助投资者识别主力吸筹与出货信号。该公式结合动态量能标准化和多周期均线组合，提供可视化主力行为图谱，提升交易决策的准确性。

weixin_28693447的博客 662

LangGraph与LangChain：构建智能AI代理的完整解决方案

在现代AI应用开发中，LangGraph和LangChain作为互补工具，共同构成了构建智能代理的完整解决方案。LangChain以其丰富的LLM集成和组件化能力著称，支持主流模型如OpenAI GPT和Anthropic Claude，以及数百种API工具集成。而LangGraph则专注于解决长期运行、有状态代理的编排难题，通过状态机模型和持久化执行引擎实现可靠运行。这种组合特别适用于需要持续数天的自动化项目，如客户服务自动化。通过状态快照和增量存储，LangGraph确保了代理在中断后能够快速恢复，大大

385

别再只会插卡了！用示波器实测SIM卡上电时序与通信波形（附故障排查）

本文深入解析了SIM卡通信的电气信号与时序规则，通过示波器实测波形揭示SIM卡上电时序与通信协议的关键细节。从VCC、CLK、RST、DATA四路信号的协同工作，到ATR（Answer to Reset）的解析，再到常见故障的波形诊断与排查方法，为硬件工程师提供了实用的调试指南。文章还分享了高级调试技巧与现代化工具链搭建建议，帮助提升物联网设备SIM卡通信的可靠性与效率。

weixin_42567279的博客 327

混合部署 操作系统混合部署

在openEuler Embedded 22.03中，已经集成了OpenAMP相关支持，并与openEuler的SIG Zephyr合作实现了openEuler Embedded与实时操作系统Zephyr在QEMU平台上的混合部署。具体的混合部署方式取决于设备的硬件和软件支持。例如，可以使用虚拟机软件（如VirtualBox）在Linux操作系统上运行Android虚拟机，从而实现Linux和Android的混合部署。需要注意的是，混合部署涉及到设备的硬件和软件兼容性，以及操作系统的配置和管理。

dianqicyuyan的博客 1763

RAG知识库技术全景与演进思路

毫无疑问，当今的时代是属于AI的时代。大语言模型(LLM)对人类自然语言的深刻理解能力，为已有技术赋予了全新的想象空间。代码不再仅仅是冰冷地运行于机器之间的指令，人机协作正变得前所未有的自然与高效。与此同时，知识库技术——这一看似“古老”的领域——也正经历着前所未有的重塑。历经数字化转型浪潮，数据已成为企业发展中不可或缺的核心要素；而随着AI技术，特别是RAG(检索增强生成)对知识库的深度赋能，知识正从静态的“数据资产”跃升为驱动企业创新与决策的“智能资产”，其价值将变得前所未有的清晰与关键。

coderlius的博客 205

软件工程导论考试通关秘籍：太原理工大学历年真题解析（附答案）

本文为太原理工大学《软件工程导论》考试提供高效备考指南，通过解析近六年真题，揭示高频考点如软件生命周期、UML建模和结构化设计等核心模块的命题规律。文章提供真题拆解、实战策略和避坑指南，帮助考生掌握图形转换题和简答题的应答技巧，助力考试通关。

weixin_29233333的博客 227

企业级RAG系统实战：金融智能问答的三大挑战与优化方案

检索增强生成（RAG）技术通过结合信息检索与生成模型优势，已成为构建智能问答系统的核心技术方案。其核心原理是通过向量化检索匹配相关知识片段，再交由大语言模型生成最终回答。在金融等专业领域，RAG系统需要特别关注知识覆盖完备性、检索精准度和生成可靠性三大维度。实践中常见术语混淆、语义稀释和时效性问题，可通过混合检索架构、术语库构建和时间衰减策略优化。典型应用场景包括理财产品咨询、投资政策解读等专业问答，其中文档预处理、检索器优化和生成控制是关键工程环节。本文基于金融行业实战案例，详解如何通过分块策略改进、混合

weixin_33726313的博客 375

302.QoS实现工具之MQC

QoS 技术可以对网络中报文进行分类处理，根据优先级提供不同的差分服务，如何实现这种差分服务呢？我们有一种强大的配置方法 - 模块化 QoS 命令行 MQC（Modular QoS Command-Line）。下面就来介绍一下 MQC。

迷逝 1393

【OpenClaw从入门到精通】第48篇：企业“养虾”合规手册——审批备案+专网隔离+全流程管控（2026企业版）

随着OpenClaw在企业场景的规模化应用，“无审批部署、无备案运行、无隔离防护”已成为安全事件的主要诱因。本文基于启明星辰《OpenClaw类智能应用安全指引V0.1》，结合金融、能源行业头部企业落地实践，构建“审批-评估-备案-管控”全流程合规框架。核心内容包括四步审批备案流程、专网隔离部署规范、3套可直接复用的合规文档模板（使用申请单、安全评估报告、备案登记表），以及个人使用备案简化方案。通过本文，企业可建立“有据可依、有章可循”的OpenClaw管理体系，实现“专网部署、数据隔离、最小权限、全程监控

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域，希望和大家共同进步！ 462
上一篇： DeepSeek-R1 + LlamaIndex：基于推理模型的RAG/RAT应用新玩法
下一篇： 十分钟用DeepSeek v3快速搭建企业级本地私有知识库（保姆级教程），AI终于私有化了！
点赞 21
评论 0
书签 书签 19
冻感糕人~
冻感糕人~
博客等级 码龄3年 8926粉丝 2384原创
+ 关注
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值