步骤1：构建知识库

• 数据来源**：文档、数据库、网页、论文等（如PDF、HTML、JSON格式）。**
• 预处理**：**
  • 文本分块（Chunking）：将长文档切分为短段落（如每段512个token）。
  • 向量化（Embedding）：使用模型（如BERT、OpenAI Embeddings）将文本转换为向量。
  • 存储：向量存入向量数据库（如FAISS、Pinecone、Milvus）。

步骤2：检索（Retrieval）

• 用户提问**：输入查询（如“量子计算的应用有哪些？”）。**
• 向量化查询**：用相同的Embedding模型将问题转换为向量。**
• 相似度搜索**：**
  • 在向量数据库中查找与问题向量最相似的文本块（如Top-5相关段落）。
  • 常用算法：余弦相似度、近似最近邻（ANN）搜索。

步骤3：增强生成（Augmented Generation）

构造提示（Prompt）****：
将检索到的文本 + 用户问题拼接，输入生成模型。
示例Prompt**：**

• text

根据以下上下文回答问题：
上下文1: "量子计算在密码学和药物研发中有广泛应用..."  
上下文2: "量子计算机可加速分子模拟..."  
问题: 量子计算的主要应用有哪些？

• 生成答案**：**
  调用LLM（如GPT-4、Llama 2）生成最终回答。

  ---