大模型微调，指的是在已有的大规模预训练模型基础上，通过对标注数据进行训练，进一步优化模型的表现，以适应特定任务或场景的需求。

RAG/Agent技术：通过搭建工作流来优化模型表现
微调：通过修改模型参数来优化模型表现

RAG Retrieval-Augmented Generation 检索-增强-生成

分片：将文档切片成多个片段

索引：通过Embedding将片段文本转换为向量，然后将片段文本和片段向量存入向量数据库中

Embedding模型排行榜：mteb，目前top5（截至7.28）：
gemini-embedding-001
Qwen3-Embedding-8B
Qwen3-Embedding-4B
Qwen3-Embedding-0.6B
Linq-Embed-Mistral

召回（初步筛选）：从片段里面挑出与用户输入最相似的n个部分。计算向量相似度，常用计算方法：余弦相似度、欧氏距离、点积

重排（精挑细选）：从召回的n个部分，再挑出k个最相似的。计算方法 cross-encoder

生成答案

使用Python构建RAG系统

环境依赖及对应的作用
sentence_transformer：加载embedding和cross-encoder模型
chromadb：向量数据库
google-genai：google的AI SDK，调用gemini-2.5-flash
python-dotenv：将gemini API Key映射到环境变量中