1. 项目概述：ChatGPTify，一个让应用“开口说话”的智能接口层

如果你正在开发一个应用，无论是Web网站、移动App，还是桌面软件，并且希望它能像ChatGPT一样，拥有流畅、智能的对话能力，那么你很可能需要自己搭建一套复杂的后端服务：处理用户输入、调用大语言模型API、管理对话上下文、处理流式响应、处理错误和重试……这听起来就让人头大。而 idilsulo/ChatGPTify 这个开源项目，正是为了解决这个痛点而生的。它本质上是一个轻量级的、可配置的代理服务器，旨在将OpenAI的Chat Completions API（以及其他兼容API）以一种更易用、更安全、更可控的方式，无缝集成到你的前端应用中。

简单来说，ChatGPTify扮演了一个“智能中间人”的角色。你的前端应用不再需要直接与OpenAI的API密钥打交道，而是向部署好的ChatGPTify服务发送请求。ChatGPTify会帮你处理所有与AI模型交互的复杂逻辑，并将结果安全地返回给你的前端。这不仅保护了你的API密钥不被暴露在客户端，还为你提供了极大的灵活性，比如统一管理提示词模板、控制对话成本、实现多租户隔离，甚至轻松切换不同的模型提供商。

这个项目特别适合独立开发者、创业团队以及任何希望快速为产品注入AI对话能力，但又不想在基础设施上投入过多精力的团队。它用Node.js写成，部署简单，配置灵活，可以说是将大语言模型API“产品化”的绝佳起点。接下来，我将深入拆解它的核心设计、如何上手使用，以及在实际部署中会遇到哪些“坑”和应对技巧。

2. 核心架构与设计思路拆解

2.1 为什么需要这样一个代理层？

直接在前端调用OpenAI API看似简单，但存在几个致命问题。首先是 安全性 ：API密钥是最高权限的凭证，一旦在前端代码中泄露，攻击者就可以用你的密钥无限量地调用API，造成巨大的财务损失和安全风险。其次是 复杂性管理 ：一个健壮的对话应用需要处理上下文窗口管理（如何记住之前的对话）、流式响应（实现打字机效果）、错误处理（网络超时、API限流）、提示词工程（系统指令的注入与优化）等。将这些逻辑全部堆在前端，会使代码变得臃肿且难以维护。

ChatGPTify的设计哲学就是 关注点分离 。它将所有与AI模型交互的“脏活累活”都挪到了后端。前端只需要关心两件事：1. 收集用户输入；2. 展示服务器返回的响应。这种架构带来了几个核心优势：

  1. 密钥安全 ：API密钥仅存在于服务器环境变量中，彻底与客户端隔离。
  2. 逻辑集中 ：所有提示词模板、上下文管理策略、模型参数配置都在一处管理，修改和迭代非常方便。
  3. 成本与用量控制 ：可以在服务器端轻松实现请求频率限制、用量统计和成本监控，甚至可以为不同用户设置不同的额度。
  4. 供应商无感 ：通过配置，可以轻松从OpenAI切换到Azure OpenAI、Anthropic Claude，或是任何提供兼容API的本地模型（如通过Ollama部署的Llama 3），前端代码无需任何改动。
  5. 可扩展性 ：可以方便地在代理层添加日志记录、审计、内容过滤、缓存等中间件功能。

2.2 项目结构解析：麻雀虽小，五脏俱全

ChatGPTify的代码结构非常清晰，体现了其单一职责的设计理念。核心部分主要是一个基于Express.js的HTTP服务器。我们来看几个关键文件：

  • server.js 或 index.js ：这是应用的入口。它负责读取环境变量配置、初始化Express应用、设置路由，并启动HTTP服务。核心逻辑是定义一个或多个API端点（如 /api/chat ），这些端点接收来自前端的请求。
  • chatHandler.js 或类似命名的模块：这里是业务逻辑的核心。它通常包含一个异步函数，负责：
    • 验证和解析前端请求（如用户消息、对话历史）。
    • 根据配置，构造发送给大语言模型API的请求体。这包括组装消息数组（系统消息、历史消息、用户新消息）、设置模型、温度（temperature）、最大令牌数（max_tokens）等参数。
    • 使用 fetch 或 axios 等库，向配置的AI API端点发起请求。这里通常支持 流式（streaming） 和 非流式 两种模式。
    • 处理AI API的响应。对于流式响应，需要逐块（chunk）读取数据，解析SSE（Server-Sent Events）格式，并将解析出的文本片段实时转发回前端。对于非流式响应，则等待完整响应后一次性返回。
    • 错误处理。捕获网络错误、API返回的错误（如额度不足、模型不可用），并将其转换为对前端友好的错误信息。
  • config.js 或环境变量：集中管理所有配置，如 OPENAI_API_KEY 、 API_BASE_URL （用于指向Azure或第三方服务）、默认模型、温度、上下文窗口长度限制等。

这种结构使得项目非常易于理解和定制。如果你想添加一个新功能，比如在消息发送前进行内容审核，你只需要在 chatHandler 的处理流程中插入一个中间件函数即可。

3. 从零开始部署与配置实战

3.1 环境准备与项目获取

假设你已经在本地或服务器上安装了Node.js（建议版本16或以上）和npm/yarn/pnpm。部署ChatGPTify的第一步是获取代码。

# 克隆项目仓库
git clone https://github.com/idilsulo/ChatGPTify.git
cd ChatGPTify

# 安装项目依赖
npm install
# 或使用 yarn
yarn install
# 或使用 pnpm
pnpm install

注意 ：在运行安装命令前，最好先检查项目根目录下的 package.json 文件，确认其依赖项是否与你的Node.js版本兼容。有些早期项目可能依赖旧版本的库。

3.2 核心配置详解：让你的代理“认识”AI模型

配置是ChatGPTify的灵魂。项目通常会提供一个示例配置文件，如 .env.example 。你需要将其复制为 .env 文件，并填入你自己的值。

# 复制环境变量示例文件
cp .env.example .env
# 然后使用文本编辑器打开 .env 文件进行编辑

让我们逐一解读最常见的配置项：

# OpenAI官方API配置示例
OPENAI_API_KEY=sk-你的真实API密钥
API_BASE_URL=https://api.openai.com/v1 # 默认值，使用OpenAI官方端点
DEFAULT_MODEL=gpt-3.5-turbo # 或 gpt-4, gpt-4-turbo-preview
DEFAULT_TEMPERATURE=0.7
DEFAULT_MAX_TOKENS=2000

# Azure OpenAI配置示例
# OPENAI_API_KEY=你的Azure OpenAI密钥
# API_BASE_URL=https://你的资源名.openai.azure.com/openai/deployments/你的部署名
# DEFAULT_MODEL=你的部署名（如gpt-35-turbo） # 注意：Azure中此处填部署名，而非模型名
# API_VERSION=2023-12-01-preview # 指定API版本

# 本地模型（如通过Ollama）配置示例
# OPENAI_API_KEY=sk-no-key-required # 本地服务可能不需要密钥，但某些库要求非空
# API_BASE_URL=http://localhost:11434/v1 # Ollama的v1兼容API地址
# DEFAULT_MODEL=llama3:8b # 你本地运行的模型名称
  • OPENAI_API_KEY ：这是最重要的配置。对于OpenAI官方服务，你需要在OpenAI平台创建API密钥。 绝对不要 将此密钥提交到代码仓库， .env 文件也必须加入 .gitignore 。
  • API_BASE_URL ：这是ChatGPTify灵活性的关键。通过修改这个URL，你可以让项目指向任何兼容OpenAI API格式的服务，包括Azure OpenAI、Google Vertex AI的兼容端点，或是本地运行的Ollama、LocalAI等服务。
  • DEFAULT_MODEL ：指定默认使用的模型。这里有一个 关键陷阱 ：对于Azure OpenAI，这个字段应该填写你在Azure门户中创建的“部署名称”，而不是模型家族名称（如 gpt-35-turbo ）。如果你填错了，请求会失败。
  • DEFAULT_TEMPERATURE 和 DEFAULT_MAX_TOKENS ：控制模型创造性和响应长度的默认参数。你可以在前端请求中覆盖这些值。

3.3 启动服务与基础测试

配置完成后，启动服务就非常简单了。通常项目会在 package.json 中定义启动脚本。

# 开发模式启动，通常支持热重载
npm run dev

# 生产模式启动
npm start
# 或者直接运行主文件
node server.js

如果一切顺利，你会在终端看到服务器启动的日志，例如“Server running on port 3000”。接下来，我们需要测试这个代理是否工作。最直接的方法是用 curl 命令模拟一个前端请求：

curl -X POST http://localhost:3000/api/chat \
  -H "Content-Type: application/json" \
  -d '{
    "messages": [
      {"role": "user", "content": "你好，请介绍一下你自己。"}
    ],
    "stream": false
  }'

这个请求向本地的 /api/chat 端点发送了一个简单的用户消息，并指定不使用流式响应（ ”stream”: false ）。你应该会收到一个JSON格式的响应，其中包含AI模型的回答。

如果测试通过，恭喜你，一个最基本的AI对话代理服务已经搭建成功了。但要让它在生产环境中可靠运行，并集成到你的前端应用中，还有更多细节需要处理。

4. 前端集成与高级功能实现

4.1 在前端应用中调用你的ChatGPTify服务

假设你的ChatGPTify服务部署在 https://api.yourdomain.com ，前端集成就像调用任何其他RESTful API一样简单。以下是一个使用JavaScript fetch API的示例，包含了流式响应的处理，这是实现“打字机效果”的关键。

async function chatWithAI(userInput, messageHistory = []) {
  const response = await fetch('https://api.yourdomain.com/api/chat', {
    method: 'POST',
    headers: {
      'Content-Type': 'application/json',
      // 如果需要认证，可以在这里添加自定义Header，如：
      // 'Authorization': `Bearer ${userToken}`
    },
    body: JSON.stringify({
      messages: [...messageHistory, { role: 'user', content: userInput }],
      stream: true, // 启用流式响应
      model: 'gpt-4', // 可选，覆盖默认模型
      temperature: 0.5 // 可选，覆盖默认温度
    })
  });

  if (!response.ok) {
    const error = await response.json();
    throw new Error(`API Error: ${error.message}`);
  }

  const reader = response.body.getReader();
  const decoder = new TextDecoder('utf-8');
  let fullResponse = '';

  while (true) {
    const { done, value } = await reader.read();
    if (done) break;

    const chunk = decoder.decode(value);
    // 处理Server-Sent Events (SSE) 格式
    const lines = chunk.split('\n');
    for (const line of lines) {
      if (line.startsWith('data: ')) {
        const data = line.slice(6); // 去掉'data: '前缀
        if (data === '[DONE]') {
          // 流结束
          return fullResponse;
        }
        try {
          const parsed = JSON.parse(data);
          const content = parsed.choices[0]?.delta?.content || '';
          fullResponse += content;
          // 这里是更新UI的关键：将content实时显示给用户
          console.log('收到片段:', content);
          // 例如：updateUI(fullResponse);
        } catch (e) {
          console.error('解析流数据失败:', e, '原始数据:', data);
        }
      }
    }
  }
  return fullResponse;
}

实操心得 ：处理SSE流时，数据块（chunk）的边界是不确定的。一个完整的 data: {...} 事件可能会被分割到多个 chunk 中，也可能一个 chunk 包含多个事件。因此，上面的代码采用了按 \n 分割并逐行判断 data: 前缀的稳健方法。这是很多新手容易出错的地方，直接解析整个chunk会导致JSON解析失败。

4.2 实现对话上下文管理

大语言模型本身是无状态的。要让对话有连续性，你必须将历史对话记录作为上下文提供给模型。ChatGPTify通常不会内置复杂的上下文管理，这需要你在前端或后端稍作处理。

方案一：前端管理上下文（简单推荐） 每次请求时，前端将完整的对话历史（一个消息对象数组）发送给代理。代理原样转发给AI API。这是最简单的方式，但缺点是上下文长度会随着对话进行而增长，可能最终超过模型的令牌限制。

let conversationHistory = [
  { role: 'system', content: '你是一个乐于助人的助手。' }
];

async function sendMessage(userInput) {
  // 将用户消息加入历史
  conversationHistory.push({ role: 'user', content: userInput });

  const response = await fetch('/api/chat', {
    method: 'POST',
    body: JSON.stringify({
      messages: conversationHistory,
      stream: true
    })
  });
  // ... 处理流式响应，获取AI回复
  const aiReply = await processStream(response);

  // 将AI回复加入历史
  conversationHistory.push({ role: 'assistant', content: aiReply });
  return aiReply;
}

方案二：后端智能上下文窗口（进阶） 你可以在ChatGPTify的 chatHandler 中实现更智能的逻辑。例如，计算当前消息历史的令牌数，如果超过阈值（如 gpt-3.5-turbo 的4096令牌），则按照某种策略（如丢弃最早的消息，或进行摘要）压缩历史，再发送给模型。这需要集成一个令牌计算库，如 gpt-tokenizer 。

// 在chatHandler.js中的伪代码示例
import { encode } from 'gpt-tokenizer';

function trimConversationHistory(messages, maxTokens = 3000) {
  let totalTokens = 0;
  let trimmedMessages = [];

  // 从最新消息开始反向计算
  for (let i = messages.length - 1; i >= 0; i--) {
    const msgTokens = encode(messages[i].content).length;
    if (totalTokens + msgTokens > maxTokens) {
      break; // 超出限制，停止添加
    }
    trimmedMessages.unshift(messages[i]); // 加到数组开头
    totalTokens += msgTokens;
  }
  // 确保系统消息始终保留（如果在最开头）
  if (messages[0]?.role === 'system' && trimmedMessages[0]?.role !== 'system') {
    trimmedMessages.unshift(messages[0]);
  }
  return trimmedMessages;
}

4.3 添加认证与速率限制

在生产环境中，你肯定不希望你的代理服务被任何人随意调用。添加基础认证和速率限制是必须的。

1. 认证中间件： 你可以在Express路由前添加一个简单的API密钥校验或JWT验证中间件。

// middleware/auth.js
function apiKeyAuth(req, res, next) {
  const clientApiKey = req.headers['x-api-key'];
  const validApiKey = process.env.CLIENT_API_KEY; // 你在服务器配置的客户端密钥

  if (!clientApiKey || clientApiKey !== validApiKey) {
    return res.status(401).json({ error: 'Unauthorized' });
  }
  next();
}

// 在server.js中使用
app.post('/api/chat', apiKeyAuth, chatHandler);

2. 速率限制： 使用 express-rate-limit 库可以轻松防止滥用。

npm install express-rate-limit

// server.js
const rateLimit = require('express-rate-limit');

const limiter = rateLimit({
  windowMs: 15 * 60 * 1000, // 15分钟
  max: 100, // 每个IP在15分钟内最多100次请求
  standardHeaders: true,
  legacyHeaders: false,
  message: { error: '请求过于频繁，请稍后再试。' }
});

// 将限流应用到所有API路由或特定路由
app.use('/api/', limiter);

5. 生产环境部署与优化指南

5.1 部署平台选择与配置

将ChatGPTify部署到生产环境，意味着你需要一个稳定的服务器和域名。常见的选择有：

  • 云服务器（VPS） ：如DigitalOcean Droplet、Linode、AWS EC2。你需要自己配置Node.js环境、进程管理（如PM2）和反向代理（如Nginx）。
  • 平台即服务（PaaS） ：如 Railway 、 Fly.io 、 Render 、 Heroku 。这些平台抽象了服务器管理，通常通过连接Git仓库和设置环境变量就能自动部署，是快速上线的首选。

以Railway为例，部署流程极其简单：

  1. 将你的ChatGPTify代码推送到GitHub仓库。
  2. 在Railway官网新建项目，选择“从GitHub仓库部署”。
  3. Railway会自动检测到是Node.js项目并开始构建。
  4. 在Railway项目的“Variables”选项卡中，添加你的所有环境变量（ OPENAI_API_KEY , PORT 等）。
  5. 部署完成，Railway会提供一个可访问的URL。

重要提示 ：无论选择哪个平台， 务必妥善保管你的 OPENAI_API_KEY 。在PaaS上，只通过其提供的环境变量配置界面来设置，切勿写入代码。在VPS上，使用 .env 文件并确保其权限正确（如 chmod 600 .env ），且该文件在 .gitignore 中。

5.2 使用PM2进行进程管理

如果你选择VPS自托管，使用PM2来管理Node.js进程是行业标准做法。它能保证应用崩溃后自动重启，方便日志管理。

# 全局安装PM2
npm install -g pm2

# 进入项目目录，用PM2启动应用
# `-i max` 表示根据CPU核心数启动最大实例数（集群模式）
# `--name chatgptify` 为进程命名
pm2 start server.js -i max --name chatgptify

# 设置PM2开机自启（根据系统）
pm2 startup
pm2 save

# 常用命令
pm2 status          # 查看状态
pm2 logs chatgptify # 查看日志
pm2 restart chatgptify # 重启
pm2 stop chatgptify    # 停止

5.3 配置Nginx反向代理与HTTPS

为了让服务更安全、更稳定，通常会在Node.js应用前放置Nginx作为反向代理。Nginx可以处理静态文件、SSL卸载、负载均衡等。

  1. 安装Nginx (以Ubuntu为例):

    sudo apt update
sudo apt install nginx

  2. 配置站点 ：在 /etc/nginx/sites-available/ 下创建配置文件，如 chatgptify 。

    server {
    listen 80;
    server_name api.yourdomain.com; # 你的域名

    location / {
        proxy_pass http://localhost:3000; # 转发到ChatGPTify服务
        proxy_http_version 1.1;
        proxy_set_header Upgrade $http_upgrade;
        proxy_set_header Connection 'upgrade';
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
        proxy_set_header X-Forwarded-Proto $scheme;
        proxy_cache_bypass $http_upgrade;
        # 以下两行对处理长时间运行的流式响应很重要
        proxy_buffering off;
        proxy_read_timeout 300s;
    }
}

  3. 启用配置并测试 :

    sudo ln -s /etc/nginx/sites-available/chatgptify /etc/nginx/sites-enabled/
sudo nginx -t # 测试配置语法
sudo systemctl reload nginx # 重载配置

  4. 启用HTTPS（使用Let‘s Encrypt） :

    sudo apt install certbot python3-certbot-nginx
sudo certbot --nginx -d api.yourdomain.com

    Certbot会自动修改你的Nginx配置，添加SSL证书并设置重定向。

5.4 监控、日志与成本控制

  • 监控 ：使用PM2内置的监控 ( pm2 monit ) 或集成更专业的工具如 Sentry （错误跟踪）、 UptimeRobot （可用性监控）。
  • 日志 ：确保应用日志被妥善记录。你可以使用 winston 或 morgan 库来结构化日志，并输出到文件。在PM2中，日志默认位于 ~/.pm2/logs/ 。 
    // 在server.js中简单使用morgan记录访问日志
const morgan = require('morgan');
app.use(morgan('combined')); // 或 'dev' 用于开发环境
  • 成本控制 ：这是使用外部AI API的核心关切。除了在OpenAI平台设置用量限制外，你可以在ChatGPTify中实现简单的成本估算和拦截。
    • 估算令牌数 ：使用 gpt-tokenizer 估算每次请求的输入令牌数。根据模型定价（如 gpt-3.5-turbo 每百万输入令牌$0.50），可以估算单次请求成本。
    • 用户额度管理 ：为每个用户或API密钥关联一个额度（如每月$1）。在数据库中记录其累计消耗的估算成本，在 chatHandler 中，处理请求前先检查额度，不足则直接拒绝请求。

6. 常见问题排查与进阶技巧

6.1 问题排查速查表

问题现象 可能原因 排查步骤与解决方案
请求返回 401 Unauthorized 1. API密钥错误或过期。
2. 对于Azure，API版本号错误或端点URL格式不对。
3. 自定义认证中间件拦截。		 1. 检查 .env 中的 OPENAI_API_KEY ，确保无误且有效。
2. 检查Azure的 API_BASE_URL （格式： https://[resource].openai.azure.com/openai/deployments/[deployment] ）和 API_VERSION 。
3. 检查自定义认证逻辑，确认请求头携带了正确的凭证。
请求超时或连接被重置 1. 服务器资源不足（内存/CPU）。
2. 网络问题或AI API响应慢。
3. 代理服务器（Nginx）超时设置过短。		 1. 使用 top 或 htop 查看服务器资源使用情况。
2. 在服务器上直接 curl 测试AI API的连通性和速度。
3. 增加Nginx配置中的 proxy_read_timeout （例如设为 300s ）和Node.js应用的超时设置。
流式响应不完整或前端收不到数据 1. 服务器或代理缓冲了响应。
2. 前端SSE解析逻辑有误。
3. 服务器在流结束前意外关闭了连接。		 1. 在Nginx配置中设置 proxy_buffering off; 。
2. 使用浏览器开发者工具的“网络”选项卡检查SSE事件流是否正常发送。对照本文前端示例代码检查解析逻辑。
3. 检查服务器日志，看应用进程是否崩溃或重启。
响应内容不符合预期（胡言乱语或格式错误） 1. 系统提示词（system message）未正确设置或冲突。
2. 温度（temperature）参数设置过高，导致随机性太大。
3. 上下文历史混乱或包含错误指令。		 1. 确认在构造 messages 数组时，系统消息作为第一个元素且角色为 system 。
2. 尝试降低 temperature 值（如从0.7降到0.2）。
3. 检查发送的 messages 历史，确保角色（ user , assistant , system ）交替正确，内容清晰。
部署到PaaS后无法启动 1. 端口绑定错误。PaaS通常动态分配端口。
2. 环境变量未正确设置。
3. 项目依赖安装失败。		 1. 修改代码，监听 process.env.PORT 环境变量，而不是硬编码端口（如 3000 ）。
2. 在PaaS管理面板仔细核对所有环境变量名称和值。
3. 查看PaaS的构建日志，确认 package.json 中的依赖和Node.js版本兼容。

6.2 进阶技巧与优化建议

  1. 实现异步日志与非阻塞操作 ：处理AI API请求可能是耗时的。确保所有日志记录（尤其是文件I/O）和辅助计算（如令牌计数）是异步的，不要阻塞主事件循环。可以使用 async/await 配合 setImmediate 或工作线程。

  2. 添加请求重试与回退机制 ：AI API服务偶尔会出现暂时性故障。在 chatHandler 中集成一个简单的重试逻辑，对于5xx错误或网络错误，可以重试1-2次。甚至可以配置模型回退，当首选模型（如 gpt-4 ）不可用时，自动降级到备用模型（如 gpt-3.5-turbo ）。

    async function callAIWithRetry(payload, retries = 2) {
  for (let i = 0; i <= retries; i++) {
    try {
      return await makeAIApiCall(payload);
    } catch (error) {
      if (i === retries || !isRetryableError(error)) {
        throw error;
      }
      console.warn(`AI API调用失败，第${i + 1}次重试...`, error.message);
      await new Promise(resolve => setTimeout(resolve, 1000 * Math.pow(2, i))); // 指数退避
    }
  }
}

  3. 使用数据库持久化对话 ：对于需要长期记忆的聊天机器人，可以将对话历史存储到数据库（如PostgreSQL, MongoDB）中，而不是仅仅保存在前端内存或会话中。每次请求时，根据会话ID从数据库加载历史记录，AI回复后再将新消息保存回去。

  4. 探索功能扩展 ：ChatGPTify是一个优秀的起点。基于它，你可以轻松扩展出更多功能：

    • 文件上传与处理 ：接收用户上传的文件（图片、PDF、Word），使用OCR或文本提取库解析内容，然后将文本内容作为上下文的一部分发送给AI。
    • 函数调用（Function Calling） ：利用OpenAI的 function calling 能力，让AI能够触发你后端定义的实际功能（如查询数据库、发送邮件）。这需要在构造请求时添加 functions 参数，并在收到AI的响应后解析并执行对应的函数。
    • 多模态支持 ：如果你使用的模型支持图像输入（如GPT-4V），可以修改前端和后端，支持上传和发送图像Base64编码，开启真正的多模态对话。

ChatGPTify项目将一个复杂的工程问题简化为了一个可配置、可部署的代理服务。通过理解其架构、掌握部署配置、并运用这些进阶技巧，你就能拥有一个稳定、安全且功能强大的AI对话后端，从而将全部创造力聚焦于构建令人惊艳的前端应用和用户体验上。

Logo
DeepSeek技术社区

欢迎加入DeepSeek 技术社区。在这里，你可以找到志同道合的朋友，共同探索AI技术的奥秘。

更多推荐

cover

DeepSeek-V4 RAG 分块策略优化：512 vs 1024 token 的实测边界与工程取舍

avatar DeepSeek技术社区
cover

企业知识库问答中的权限迷宫：如何用 DeepSeek 实现文档级 ACL 下沉与安全召回

avatar DeepSeek技术社区
cover

RAG 文档预处理：为什么 90% 的失败案例源于切分策略不当

avatar DeepSeek技术社区