weixin_72250436的博客

param=你好");如果需携带，选择 Fetch 方案，自行设置headers:{}

掌握了索引动态增删与底层结构巡检的核心操作，为后续在线知识库更新、权限隔离、数据治理奠定基础。查 → 删 → 增 → 存；更新不支持就“删后再增”。这一节没有模型、没有 fancy UI，纯粹体力活。但是决定了 RAG 的上限。

改 llama-index 源码后 restart，否则 import cache。支持 AND / OR 逻辑、数值比较、原生 Qdrant Filter。调太大——噪声 > 信息，大模型更易 hallucinate。冷启动变热启动，调参不必反复算 embedding。：向量不稳，正式环境用智谱/千问 Embedding。，把「文本 → 向量 → 检索 → 生成」跑通。：模型、索引、向量库目录分清，相对/绝对。对多标签知识库非常友好，召回精度提升。—— 证据 + 相似度。看返回长度，验证链路。

利用openai-like或自定义llm/embedding类，封装大模型的调用流程，使其适配任意openai风格API。自定义OurLLM/OurEmbedding类可以做到：完全自控API参数与底层行为兼容所有需要llama_index风格接口的上层工具可后续扩展，便于调试和日志监控但自定义openai-like接口的方案。

datawhale AI 共学。