00:00:00关于 RAG 已死的言论被大大夸大了。
00:00:03是的，我知道像 Opus 4.6 这样的大型语言模型
00:00:05最近在处理超长上下文方面变得更强了。
00:00:09但如果你认为这意味着你再也不需要 RAG，
00:00:12你将会撞上一堵墙，
00:00:14那是光靠提示词（Prompt）无法解决的。
00:00:16所以今天我要解释你何时需要 RAG，
00:00:19以及在 2026 年什么样的 RAG 方案才真正奏效，
00:00:22因为过去一年里，这个领域发生了翻天覆地的变化。
00:00:25我还会向你展示如何将 Claude Code
00:00:28连接到你的 RAG 系统，
00:00:30并教你一些可以学以致用的技能。
00:00:32所以今天的目标是带你构建这个：
00:00:35一个基于 LightRAG 的 GraphRAG（图增强检索）系统，
00:00:38我们可以配合 Claude Code 使用。
00:00:40更重要的是，这会为我们提供一个系统，
00:00:43让我们在需要利用 AI 处理
00:00:45海量、庞大的文档库时大显身手。
00:00:49不仅仅是 5 个或 10 个文档
00:00:51像你在演示中看到的那样，
00:00:52而是 500 个、1000 个文档。
00:00:55因为仅仅依赖 Claude Code
00:00:57或任何其他 LLM 自带的上下文窗口是不够的。
00:00:59因为当规模变得极大时，
00:01:01无论是在许多大型企业
00:01:03还是小型企业中都能见到这种情况，
00:01:05拥有这样的 RAG 系统实际上比标准的
00:01:06智能体全局搜索（Agentic Grep）更便宜、更快。
00:01:10考虑到这一点，
00:01:12掌握创建此类 RAG 系统的技能
00:01:13非常重要，
00:01:14幸运的是，它其实相当简单。
00:01:16正如我刚才提到的，
00:01:18我们今天将使用 LightRAG。
00:01:19这是一个我非常喜欢的开源项目。
00:01:21它已经存在一段时间了，
00:01:25并且一直在不断更新迭代。
00:01:26它能够以极低的成本
00:01:28与微软等公司更复杂的
00:01:30GraphRAG 系统一较高下。
00:01:32所以，如果你以前从未用过 GraphRAG，
00:01:35它是测试这些概念的绝佳选择。
00:01:37但为了充分发挥 LightRAG 的威力，
00:01:40我们需要从底层理解 RAG 的运作方式，
00:01:43因为 RAG 的技术格局已经变了。
00:01:46我们在 2024 年底和 2025 年初所做的，
00:01:48被称为 Naive RAG（朴素 RAG），也就是最基础的 RAG。
00:01:51还记得那些 n8n 自动化流程吗？
00:01:54比如“让我们把数据存入 Pinecone 或 Supabase”。
00:01:56那就是 Naive RAG。
00:01:58那一套现在已经行不通了。
00:02:00它无法满足现在的需求。
00:02:02我们必须使用更复杂的 RAG 版本，
00:02:03但我们首先需要理解基本原理。
00:02:06所以在深入研究 LightRAG 配置之前，
00:02:08让我们快速复习一下什么是 RAG
00:02:12以及它是如何工作的。
00:02:14RAG，即检索增强生成（Retrieval Augmented Generation）。
00:02:18它的工作原理是：首先
00:02:20从某种文档开始，对吧？
00:02:22在一个强大的 RAG 系统中，
00:02:25你会有成千上万个这样的文档。
00:02:27但接下来发生的是，我有一份文档
00:02:29想要存入我的 RAG 系统，
00:02:31存入一个向量数据库中。
00:02:34其实，文档并不是
00:02:38直接被扔进这个数据库里的，
00:02:40就像 Google Drive 系统那样。
00:02:41文档会经过一个嵌入模型（Embedding Model），
00:02:44然后被转化为一个“向量”。
00:02:46更进一步说，
00:02:47文档并不是作为一个整体存入的。
00:02:50它会被切分成块（Chunking）。
00:02:51想象我们有一份单页文档，
00:02:54它被切分为块 1、块 2 和块 3。
00:02:59其中的每一块都会变成向量，
00:03:03也就是图上的一个点，
00:03:05向量数据库中的一个坐标点。
00:03:06嵌入模型负责为我们执行这个切块过程。
00:03:09它负责处理这份文档，
00:03:11理解它的核心内容，
00:03:13然后将其转化为图上的一个坐标点。
00:03:16所以，文档被切块，
00:03:18通过嵌入模型处理，
00:03:20然后我们的文档就变成了图上的一个向量。
00:03:24现在，这是一个三维图。
00:03:27但在现实中，它是成千上万维的，
00:03:30不过现在就把它想象成三维图吧。
00:03:33现在，假设这份文档是关于“战舰”的。
00:03:36好，每个向量都被转化为
00:03:39关于战舰的内容块。
00:03:40那它会存放在哪里呢？
00:03:41显而易见，它会放在“小船”和“船只”旁边，
00:03:43成为它自己的一个小向量。
00:03:45所谓向量，我的意思是，
00:03:46它被赋予了一系列代表它的数字。
00:03:50你可以在这边的“香蕉”示例中看到。
00:03:53“香蕉”是 0.52, 5.12, 9.31 等等。
00:03:57这种数字会有成千上万个。
00:04:00所以我们这边的小船就是 1, 2, 3，
00:04:05点点点，以此类推。
00:04:07很简单。
00:04:08显然，它不会排在香蕉和苹果旁边，
00:04:10但这就是文档到嵌入的过程，
00:04:14以及切块处理。
00:04:15现在，假设你在这儿，好吗？
00:04:18你是我们这儿快乐的小家伙，
00:04:20你问了大型语言模型
00:04:21一个关于战舰的问题。
00:04:24那么，在 RAG 系统的情境下，那个问题
00:04:27也将被转化为一个向量。
00:04:30你的问题，LLM 会扫视一遍，
00:04:34并为它分配一系列数字，
00:04:35这些数字同样对应于数据库中
00:04:38的某个向量，明白吗？
00:04:41它要做的是对比
00:04:43你的问题向量
00:04:45与图中其他向量的差异。
00:04:49它在寻找所谓的“余弦相似度”，
00:04:51但它实际在说的是：
00:04:53“嘿，这个问题是关于这个的。”
00:04:55“我们分配了这些数字。”
00:04:56“哪些向量离它最近？”
00:04:58“哪些数字与该问题最接近？”
00:05:00嗯，那会是关于战舰的那一个，
00:05:02可能还有关于小船和船只的。
00:05:04所以它现在会检索所有这些向量
00:05:08以及它们包含的信息，
00:05:10并用这些信息来增强为你生成的答案，
00:05:13这就是“检索增强生成”。
00:05:16因此，大型语言模型不再是
00:05:17单纯依赖其训练数据，
00:05:19而是能够进入向量数据库，
00:05:22抓取相关的向量，
00:05:24带回它们并给出关于战舰的答案。
00:05:27这就是 RAG 的工作原理，对吧？
00:05:29文档摄取，内容块转化为向量。
00:05:32将向量与提出的问题进行对比，
00:05:35取回最接近的内容，大功告成，这就是 RAG。
00:05:39但那是 Naive RAG（朴素 RAG），
00:05:40实际上它的效果并不怎么好。
00:05:44所以，比你我更聪明的人
00:05:46想出了更好的方法，
00:05:49即混合搜索、GraphRAG 和智能体 RAG。
00:05:53我们今天重点关注的是 GraphRAG。
00:05:55GraphRAG 遵循相同的流程。
00:05:57你仍然会有那份文档。
00:05:58它仍然会被切块。
00:05:59它仍然会被放入这个扁平的向量数据库中，
00:06:03但它还会做另外一件事。
00:06:05它还会创建一个知识图谱。
00:06:07它会创建这个神奇的东西。
00:06:08那这些都是什么呢？
00:06:09所有这些向量和线条代表什么？
00:06:11这到底意味着什么？
00:06:12其实，所有这些向量，这些小圆圈，
00:06:14就是所谓的“实体（Entities）”。
00:06:17而连接两个实体的线条
00:06:21被称为“边（Edge）”或“关系（Relationship）”。
00:06:23回到我们的文档例子，
00:06:25假设这份文档是关于 Anthropic 和 Claude Code 的。
00:06:28被提取出的整个内容块写着：
00:06:31“Anthropic 开发了 Claude Code”。
00:06:35它会提取这段话并将其拆解
00:06:36为实体和关系。
00:06:38那两个实体是什么？
00:06:39实体将会是
00:06:41Anthropic 和 Claude Code。
00:06:44关系则是“Anthropic 开发了 Claude Code”。
00:06:48所以你在这儿有 Anthropic，
00:06:51在那儿有 Claude Code。
00:06:54你可以看到这是一个实体，那也是一个实体，
00:06:58它们之间存在某种关系。
00:06:59在可视化的图谱上，它只是一条线，
00:07:03但在底层的代码逻辑中，
00:07:05这两个实体之间的那条线
00:07:08关联着一堆文本内容，
00:07:10用来解释它们的关系。
00:07:11而在 GraphRAG 系统中，
00:07:13它会为你添加的每一份文档都执行此操作。
00:07:16想象一下这个过程重复一千份文档。
00:07:19这是只有 10 份文档时的样子，
00:07:21已经有了这么多关系和实体。
00:07:24你可以想象这比一堆
00:07:26孤立在向量数据库中的随机向量
00:07:28要复杂得多。
00:07:30有了像 LightRAG 这样的系统，
00:07:33我们既能得到知识图谱的创建，
00:07:35也能得到标准的向量数据库。
00:07:38它并行地完成这两件事。
00:07:40因此，当你现在向大型语言模型
00:07:43提出任何问题时，
00:07:45它不仅会提取它找到的
00:07:47最接近的特定向量，
00:07:49还会深入到这里查看实体。
00:07:54比如你询问关于 Anthropic 的事。
00:07:56那么现在它会遍历各种关系
00:07:59和连接边，并找到所有它认为相关的内容。
00:08:03对于作为用户的你来说，
00:08:06使用 GraphRAG 系统意味着
00:08:08通过 Graph RAG 系统，我如今可以
00:08:11提出更深入的问题，而不仅仅是针对某份文档
00:08:13本质上只是在进行各种意义上的
00:08:15关键词搜索。
00:08:17我现在可以询问不同的文档、理论
00:08:19以及不同的想法之间是如何相互关联的，
00:08:21因为这些关系已经被映射出来了，对吧？
00:08:24这就是它的核心所在。
00:08:25它是关于提取零散的信息并将其连接起来。
00:08:30这就是 Graph RAG 的力量。
00:08:32这就是 LightRAG 的力量。
00:08:33这也是我们今天要学习的内容。
00:08:35安装和使用 LightRAG
00:08:37可以随你心意一样简单。
00:08:40我会向你展示最简单的方法，
00:08:42也就是直接使用 Claude Code。
00:08:44我们会把 LightRAG 的 URL 给它，
00:08:48然后说："嘿，帮我们把这个设置好。"
00:08:50它基本上会完成所有工作。
00:08:52在这种情况下，我们只需要准备几样东西。
00:08:55就像你在 RAG 运作流程分解中看到的那样，
00:08:58我们需要一个嵌入模型。
00:08:59这需要一个 API。
00:09:02我建议使用 OpenAI。
00:09:04他们拥有非常有效的嵌入模型。
00:09:07所以你需要一个 OpenAI 的密钥。
00:09:09使用 LightRAG，你确实有能力
00:09:11将其完全本地化。
00:09:14所以你可以通过 Ollama 拥有一个本地模型
00:09:17来处理所有像嵌入分解之类的事情，
00:09:20以及问答环节。
00:09:21所以请知晓这也是一个选项，即实现完全本地化。
00:09:24我们要采用的是一种折中方案。
00:09:25我们将设置一个 OpenAI 嵌入模型
00:09:28以及实际执行所有工作的模型。
00:09:31然后我们还需要 Docker。
00:09:34如果你以前从未用过 Docker，
00:09:35它的设置非常简单。
00:09:36你只需要下载 Docker Desktop，
00:09:39安装它并保持运行，
00:09:41当你运行 LightRAG 时，
00:09:42因为它需要一个容器。
00:09:45现在你要做的就是
00:09:46打开 Claude Code
00:09:47然后说：克隆 LightRAG 仓库，
00:09:50编写针对 OpenAI 配置的 .env 文件，
00:09:53使用 GPT-4o mini 和 text-embedding-3-large，
00:09:56使用所有默认的本地存储
00:09:58并使用 docker-compose 启动它，
00:10:00然后给出 LightRAG 的链接。
00:10:02如果你这样做，它会为你处理好一切。
00:10:06我会把这个提示词放在免费的 School 社区里，
00:10:10链接就在简介中。
00:10:12另外，那里还会提供
00:10:13我稍后会展示给你们的一些
00:10:15与 Claude Code 和 LightRAG 相关的技能，
00:10:17以便更轻松地通过 Claude Code 进行控制。
00:10:19所以你也可以在那里找到这些内容。
00:10:22你应该已经预料到了。
00:10:22说到我的 School，
00:10:24快速为 Claude Code 大师课打个广告，
00:10:25这是从零开始成为 AI 开发者的头号途径，
00:10:28特别是如果你没有技术背景，
00:10:31链接在置顶评论中。
00:10:33我几乎每周都会更新内容，
00:10:35在过去的两个星期里，
00:10:36我已经增加了大约一个半小时
00:10:38的额外内容。
00:10:39所以如果你真的想
00:10:40精通 Claude Code 和通用 AI，
00:10:42一定要去看看。
00:10:44但还是那句话，如果你是新手，觉得这些太复杂，
00:10:46一定要去看看那个免费 School，
00:10:47那里有大量适合新手的
00:10:49优秀资源。
00:10:50在你运行这个之前，
00:10:51只需确保 Docker Desktop 正在运行，
00:10:53准备好 OpenAI 的密钥，
00:10:55然后让 Claude Code 开始工作。
00:10:56一旦 Claude Code 完成安装，
00:10:58并且你在 .env 文件中添加了 OpenAI 密钥，
00:11:01你应该会看到类似这样的内容。
00:11:02首先，在你的 Docker Desktop 上，
00:11:04你应该能看到一个名为 LightRAG 的容器正在运行。
00:11:07然后 Claude Code 应该也会给你一个
00:11:11本地主机的链接，端口应该是 9621。
00:11:13它会带你进入这样一个页面。
00:11:15这就是 LightRAG 的 Web 用户界面。
00:11:18在这里我们可以上传文档、
00:11:21查看知识图谱、检索内容，
00:11:24我们还可以查看
00:11:25所有不同的 API 端点，
00:11:28这在以后会派上用场。
00:11:30你在这里看到的是我为这个视频
00:11:31上传的文档。
00:11:33上传文档非常简单。
00:11:35我们只需要点击右边的
00:11:36“上传 (Upload)”，然后把文件拖进去。
00:11:39但请注意，只有某些类型的文档
00:11:42是可以放进来的，对吧？
00:11:43文本文件、PDF，基本上
00:11:46仅限于文本类文档。
00:11:49当然，也有绕过这个限制的方法，
00:11:51也就是处理图像、图表和表格
00:11:56之类的内容。
00:11:57我们会在最后讨论这个，
00:11:59因为它稍微超出了目前的范围，
00:12:00但我们会学习它。
00:12:02所以把你想要的任何文档拖到这里，
00:12:04然后你就能看到
00:12:07它们的上传状态。
00:12:08这需要一点时间，因为同样地，
00:12:10它在上传的同时正在构建知识图谱。
00:12:12所以这个过程可能会花些时间。
00:12:14如果你出于某种原因在知识图谱页面上，
00:12:16这种情况偶尔会发生，页面显示
00:12:18“嘿，加载失败”之类的，
00:12:19你只需点击左上角的
00:12:21这个按钮来重置它。
00:12:23如果你来到“检索 (Retrieval)”选项卡，
00:12:25你就可以向大语言模型
00:12:27询问关于你知识图谱的问题，
00:12:30在这里大模型很可能是 OpenAI，
00:12:31如果你在嵌入时使用了同一个密钥。
00:12:33右边这里有一些参数。
00:12:36说实话，刚开始并没有太多需要更改的。
00:12:39稍后我会向你展示 Claude Code 是如何处理的。
00:12:42当你提出问题时，比如，
00:12:44我放了一堆关于 AI 和 RAG 的文档在里面。
00:12:47我问："嘿，2026 年运行 RAG 的
00:12:48完整成本估算是怎样的？"
00:12:50它给了我一个相当专业的回答。
00:12:53最重要的是，它还为你提供了
00:12:56它所做一切的引用参考，对吧？
00:12:57看这里的 4、3、2，
00:13:00因为在页面底部，
00:13:01它实际上会列出
00:13:03它抓取的文档参考资料。
00:13:05显然在我们的知识图谱中，对吧，
00:13:07我们解释了实体和关系。
00:13:09如果我点击其中一个实体，比如 OpenAI，
00:13:12我可以查看它的一些属性。
00:13:14所以 LightRAG 在嵌入过程中不仅仅是
00:13:17提取关系和实体。
00:13:19它实际上会更深入一步，它会识别
00:13:20“好，这是什么类型的实体，对吧？
00:13:22是一个组织还是一个人？”
00:13:25它关联了抓取的具体文件
00:13:27以及分块 ID。
00:13:29然后你可以在右下角
00:13:31看到实际的关系。
00:13:32我先把它移开一下。
00:13:33就在右下角这里，
00:13:35如果你视觉上看不清，
00:13:36因为图谱上可能会显得很拥挤，
00:13:40你其实可以直接点击这里，
00:13:41它也会带你找到它们。
00:13:43我们要使用的就是这个服务器 API
00:13:46来将这个东西连接到 Claude Code。
00:13:48因为尽管这个界面很棒，
00:13:50但我并不会在每次
00:13:51想通过检索选项卡询问
00:13:53关于我知识图谱的问题时都坐在这里。
00:13:56那太麻烦了。
00:13:57所以相反，我们将使用这些 API。
00:14:00现在，每一个 API，对吧，
00:14:03都有描述，你可以看到参数之类的内容，
00:14:05每一个 API 都可以被转化成一个“技能 (Skill)”，对吧？
00:14:08这就是我今天准备展示给你们看的内容。
00:14:11这样，当你想要 Claude Code 使用 LightRAG 时，
00:14:15我们只需在 Claude Code 的任何地方，
00:14:17说："嘿，我想使用 LightRAG 查询技能
00:14:19并询问问题，省略号省略号。"
00:14:22这和你在这里使用
00:14:23检索选项卡提问的效果是一样的。
00:14:26更好的是，Claude Code 会获取它给你的回答
00:14:28并进行总结，
00:14:30因为在 LightRAG 中，这些回答
00:14:32一开始可能会非常详尽。
00:14:34但如果你只想要原始答案，
00:14:36你也可以那样设置。
00:14:37重点是，虽然它有一个 Web 用户界面，
00:14:40但如果你不想用，你完全不必
00:14:41与它进行交互。
00:14:42而且把它引入到我们的
00:14:44Claude Code 生态系统中也非常容易。
00:14:46我认为你最常用的四大核心技能是
00:14:48查询、上传、探索和状态。
00:14:51这四项也都会包含在免费 School 中。
00:14:55但你平时主要会做什么呢？
00:14:56你会不断添加新文档
00:14:58并针对这些文档提出问题。
00:15:01你可能还想知道，
00:15:02"嘿，我到底往里面放了什么？"
00:15:04因为当你有了大量文档后，
00:15:05你会想避免重复放入
00:15:07同一个文档。
00:15:08所以如果我在 Claude Code 内部问同样的问题，
00:15:12我刚刚调用了 LightRAG 查询技能，
00:15:14它正在将请求发送给 LightRAG，
00:15:18它同样托管在我们的电脑上，
00:15:21运行在那个 Docker 容器中，
00:15:22然后它会将响应返回。
00:15:24现在，你并不局限于这种半本地系统。
00:15:28如果你是那种需要大规模扩展
00:15:30LightRAG 的用户，你可以将其托管
00:15:33在标准的 Postgres 服务器上。
00:15:36你有许多选择，比如可以使用 Neon。
00:15:38所以它的适用范围非常广。
00:15:40你可以完全走本地路线，或者如果你愿意，
00:15:43也可以将所有这些推送到云端。
00:15:44LightRAG 的可定制化程度非常高。
00:15:46这是 Claude Code 返回的响应，
00:15:48同样，它是对 LightRAG 给我们的
00:15:52原始响应的总结，并且它还引用了来源。
00:15:55我还向它索要了原始响应，
00:15:57因为你也可以获取到那个，
00:15:58因为它只是以 JSON 响应的形式
00:16:00传回给 Claude Code。
00:16:02所以这就是全部内容。
00:16:04而且，如果你需要，它也提供了参考资料。
00:16:07正如你刚才所见，安装 LightRAG 非常简单，
00:16:10将其集成到你的 Claude Code 工作流中也非常容易。
00:16:14现在问题来了，“好吧，Chase，听起来不错。”
00:16:18“我从概念上理解了，如果我有大量文档，”
00:16:20“我或许应该使用这个。”
00:16:22“那么，界限在哪里呢？”
00:16:23“我什么时候该开始集成 LightRAG 呢？”
00:16:26嗯，这并没有一个精确的数字。
00:16:28灰色地带大约是在 500 到
00:16:332000 页文档之间。
00:16:36我不想只说“文档”，
00:16:37因为谁知道那些文档有多大，
00:16:39大概是 500 到 2000 个文本页。
00:16:42到了 2000 页的时候，你已经开始
00:16:44接近 100 万个 token 了。
00:16:47超过这个量级，毫无疑问
00:16:50开始集成 LightRAG 是非常有意义的，
00:16:52因为按照 RAG 的架构设定，
00:16:54这样做会比单纯依赖
00:16:57Claude Code 的标准 grep 搜索更便宜、更快速。
00:17:00Agent 化的 grep，即 Claude Code 现有的
00:17:03文件搜索方式已经很出色了。
00:17:04Claude Code 选择这种方式是有原因的。
00:17:07然而，那并不是建立在你拥有 2000 页、
00:17:124000 页或 5000 页文档的假设之上的，对吧？
00:17:14它有一个上限。
00:17:16好在你不必非得现在就
00:17:19死板地做决定，正如你所见，
00:17:22实现这个功能非常容易。
00:17:24所以，尽管去尝试吧。
00:17:26如果你觉得文档太多了，并且在想：
00:17:28“嘿，我们这时候是不是该用 RAG 了？”
00:17:30我也不确定，试一下就知道了。
00:17:32这花不了多少时间。
00:17:34最痛苦的部分是嵌入（embedding）过程。
00:17:36那确实需要一点时间，但也不至于让人崩溃。
00:17:40而且成本并不夸张，尤其是使用 LightRAG。
00:17:43如果你把它与其他 GraphRAG 系统
00:17:45（如微软的 GraphRAG）相比，
00:17:48它的成本只是极小的一部分。
00:17:49而在处理海量文档时，
00:17:52使用 RAG 与使用 grep 之类工具的
00:17:56成本差异高达一千倍。
00:17:58去年夏天有一项研究
00:18:04表明，在那些情况下使用 RAG
00:18:07要便宜 1250 倍。
00:18:08你可以在这里看到文本 RAG
00:18:10对比文本大模型的成本以及实际响应时间。
00:18:14坦白说，这是去年七月的数据。
00:18:19所以模型已经发生了变化。
00:18:20我高度怀疑现在将 RAG 与标准
00:18:23文本处理情况对比时，差距是否依然如此惊人。
00:18:26而且那当时还是 Gemini 2.0。
00:18:28我们当时还没讨论过测试基准。
00:18:29所以很多事情都变了，
00:18:31但这种变化是否足以弥补 1250 倍的差距？
00:18:36也许吧，也许没有。
00:18:39我不这么认为。
00:18:40不管怎样，试试看。
00:18:42我觉得没什么损失。
00:18:44关于 LightRAG 的另一个想法是，
00:18:46嘿，如果我想上传文档，
00:18:48我们之前稍微聊过这个。
00:18:49如果文档里有表格、图表等
00:18:53非文本内容，我们该怎么办？
00:18:54LightRAG 能处理这些吗？
00:18:57不完全能，但我们可以解决这个问题。
00:18:59答案就是使用 RAG-Anything，
00:19:02它出自 LightRAG 的同一批开发者之手。
00:19:04这本质上是一个可以实现多模态的工具。
00:19:07我们基本上可以把它直接
00:19:09插入到 LightRAG 之上。
00:19:10现在，我不想让你失望，
00:19:13但那将超出今天、
00:19:15超出今天视频的讨论范围。
00:19:17不过，在明天的视频里，
00:19:18你觉得我们会做什么？
00:19:19明天，我们将深入探讨 RAG-Anything，
00:19:22并展示如何将其
00:19:25集成到我们用 LightRAG 构建的系统中。
00:19:27所以这会是一套非常棒的组合拳。
00:19:28如果你对此感兴趣，
00:19:31请点赞并订阅，
00:19:32因为我们明天就会讲解它。
00:19:34说到这里，
00:19:35我们也准备收尾了。
00:19:39希望你们喜欢这个视频。
00:19:41这也是我第一次使用这套新相机设备拍摄。
00:19:43我已经能感觉到灯光
00:19:46还没有完全达到我想要的效果。
00:19:48所以为此向大家致歉。
00:19:49还在磨合中，
00:19:50只是庆幸它还能正常工作，
00:19:52而且相机在录制过程中没有过热。
00:19:55但是，所有的技能都在那个免费的 School 里。
00:19:58这些 RAG 的东西非常有趣，特别是 LightRAG。
00:20:01它一直是一个很棒的产品。
00:20:02我已经用了相当长一段时间了。
00:20:03说句心里话，
00:20:06而且正如你所见，它很容易就能
00:20:07集成到 Claude Code 中。
00:20:08所以请去免费的 School 查看这些技能，
00:20:12如果需要的话还有提示词。
00:20:14坦白说，
00:20:15如果你直接让 Claude Code 对接 LightRAG，
00:20:16它自己就能配置得很好。
00:20:19除此之外，
00:20:20如果你想参加那个大师班，
00:20:21记得关注 Chase AI Plus。
00:20:24我们回头见。