00:00:00几乎所有的 RAG 系统都面临着同样的问题。
00:00:04它们只能处理文本文件。
00:00:06所以，如果你尝试给它图片、图表、图形之类的东西，
00:00:10大多数 RAG 系统都无法处理。
00:00:12昨天我给你们展示 LightRAG 时，
00:00:13它也面临着完全相同的问题。
00:00:16但今天我要向你们展示解决方案。
00:00:19那个方案就是 RAG-Anything。
00:00:20RAG-Anything 为我们解决了这个文档处理难题。
00:00:23它可以处理图像。
00:00:24它可以处理图表。
00:00:25它可以处理图形。
00:00:25它允许我们创建一个 RAG 系统，
00:00:28能够真正处理你所使用的各类文档。
00:00:31RAG-Anything 出自开发 LightRAG 的同一个团队。
00:00:34它可以直接插入到
00:00:36我们昨天构建的 LightRAG 系统中。
00:00:37所以把它引入到我们的技术栈中非常容易。
00:00:40今天我将向你们展示具体如何配置，
00:00:43以及它的底层运行机制。
00:00:44这样你就可以开始使用目前市面上
00:00:46最强大的 RAG 系统之一了。
00:00:48如果开场白说得还不够明显，
00:00:50我会默认你已经看过
00:00:52昨天的 LightRAG 视频了。
00:00:54如果你还没看，我会在上方放一个链接，
00:00:56因为今天我会假设你已经搭建好了
00:00:58你的 LightRAG 服务器。
00:00:59你理解 RAG 的工作原理，也理解
00:01:02整个知识图谱是怎么回事。
00:01:03因为 RAG-Anything 本质上是
00:01:06对 LightRAG 的一层封装。
00:01:07我们仍将使用相同的 LightRAG Web UI，
00:01:10虽然会有一些细微差别，
00:01:11但推送到 RAG-Anything 的所有内容，
00:01:13也就是这些非文本文件，
00:01:15最终都会进入同一个知识图谱。
00:01:17我们将向它提问相同的问题。
00:01:19我们将使用相同的 API 进行查询，
00:01:22就像我们昨天通过 Claude Code 所做的那样。
00:01:24我们今天要添加的功能
00:01:26是非常重大的。
00:01:28仅仅构建一个纯文本的 RAG 系统是不够的。
00:01:30我们现实操作的世界并非只有纯文本。
00:01:32你们有多少人拿到过 PDF 文件，
00:01:34它技术上甚至不是文本，只是扫描件。
00:01:36LightRAG 无法真正处理那种文件，而 RAG-Anything 可以。
00:01:39现在我们要深入一点技术层面。
00:01:40我们将深入底层，我会详细解释
00:01:43整个系统是如何运作的。
00:01:44但从宏观上看，它在做什么？
00:01:46RAG-Anything 只是在查看
00:01:49那些非文本的文档。
00:01:50它基本上在做 LightRAG 所做的事情，
00:01:52只不过是针对这些非文本文件。
00:01:55在它创建了自己的知识图谱
00:01:56和它自己的向量数据库之后，
00:01:58它会将其与 LightRAG 的数据库合并，
00:02:00这就是为什么所有内容最终都整合在
00:02:04一个整洁的地方，供我们提问。
00:02:06目前 RAG-Anything 唯一的缺点是
00:02:08它稍微重一些。
00:02:09我们需要在电脑上下载一些模型，
00:02:12用来帮助解析这些非文本文件。
00:02:14而且在实际摄取非文本文件时，
00:02:18我们无法通过 LightRAG UI 直接完成。
00:02:22我们需要使用脚本。
00:02:23幸运的是，这正是 Claude Code 大显身手的地方。
00:02:25所以对于你这个用户来说，在设置好一切后，
00:02:28如果你想摄取非文本文件，
00:02:31只需要告诉 Claude Code：嘿，去吧，
00:02:33使用 RAG-Anything 技能并摄取这个文件。
00:02:36就是这么简单。
00:02:37提问的方式和以前完全一样。
00:02:39所以真的还不错。
00:02:40而且只需通过这种方式，你就能获得所有这些功能。
00:02:43在进入 RAG-Anything 的实际工作原理之前，
00:02:46我想为我的 Claude Code 大师课打个广告，
00:02:49它几周前刚刚发布，
00:02:50是让你从零基础成长为 AI 开发者的最佳途径，
00:02:53尤其是如果你没有技术背景的话。
00:02:55我几乎每周都会更新。
00:02:57明天就会有一个新的更新。
00:02:59所以如果你正努力想掌握
00:03:01Claude Code 但却不知道从何开始，
00:03:03那么这个课程就是为你准备的。
00:03:05评论区里有相关链接。
00:03:07它就在 Chase AI Plus 会员频道里。
00:03:09我也有免费的 Chase AI 社区。
00:03:11如果你觉得这些内容太深奥，
00:03:12或者你才刚刚起步。
00:03:14链接就在简介里。
00:03:15在那里你也能找到我今天
00:03:19要讨论的所有提示词和技能。
00:03:20所以无论如何都去看看吧。
00:03:22现在让我们来聊聊 RAG-Anything
00:03:23以及这东西到底是怎么运作的。
00:03:25说实话，它非常简单，一目了然。
00:03:28为了不浪费你的时间，
00:03:29我会把这张图片展示大概 10 秒钟，
00:03:32然后我们就进入下一项内容。
00:03:34好了，挺不错的。
00:03:39好，我们继续。
00:03:41开个玩笑。
00:03:42其实内容还挺多的。
00:03:44这张图让它看起来比实际情况更复杂。
00:03:46如果你理解了我们前几天用 LightRAG 做的事情，
00:03:50记得那次对话，你就没问题。
00:03:52RAG-Anything 的运作方式非常相似，
00:03:55只是多出了几个步骤。
00:03:56我想过一遍这些步骤，
00:03:57因为我认为理解这些东西
00:03:58是如何工作的非常重要。
00:04:00我觉得在 AI 领域，
00:04:01人们很容易变得过于关注实践应用。
00:04:04比如：Chase，我只想知道怎么安装，
00:04:05然后怎么去用它。
00:04:06这没问题，如果你是这类人，可以跳过这段。
00:04:08但我觉得如果你想成为一名更成熟的 AI 开发者，
00:04:11并且想把自己
00:04:13和那些随时会被取代的工具人区分开来，
00:04:15那些只会不停点接受、只会复制
00:04:17提示词和技能的人，
00:04:18那么我认为对架构有一定的
00:04:21了解是非常重要的，
00:04:22因为这正是让你脱颖而出的地方。
00:04:23不仅在于你如何使用这个 RAG 系统，
00:04:24更在于处理更高层次、更大型的项目时，对吧？
00:04:27这是你开始创造属于自己技能的开始，
00:04:30让你真正变得精通此道。
00:04:34所以，我们来谈谈吧。
00:04:35关于 RAG-Anything。
00:04:37我们先聊聊问题本身，对吧？
00:04:38问题是我有一份扫描件形式的 PDF，
00:04:40它其实并不是文本，
00:04:44但我需要把它存入我的 RAG 系统。
00:04:45LightRAG 处理不了它。
00:04:46于是 RAG-Anything 登场了，对吧？
00:04:48就是那个戴着超酷墨镜的羊驼标志。
00:04:51首先会发生的
00:04:53是我将这份文档摄取到 RAG-Anything 中。
00:04:56它做的第一件事
00:05:00是使用一个名为 MinerU 的程序，
00:05:02它完全在你的电脑本地免费运行。
00:05:05它本质上会将这份文档
00:05:08分解成各个组成部分。
00:05:11MinerU 是一个开源项目。
00:05:12重申一下，它本质上是一个文档解析器，
00:05:14包含了一系列微型专业化模型。
00:05:16你只需要知道，如果你对此感到担心，它是开源的。
00:05:19我会在下方放一个链接。
00:05:21再次强调，这就是今天运行并
00:05:22为我们完成大部分工作的核心。
00:05:23MinerU 在查看这份文档并说：
00:05:25“好的，这是一个页眉。”
00:05:26它会在页眉周围画一个框。
00:05:29它说：“这是文本。”
00:05:32它说：“这是一个图表。”
00:05:33它说：“这是一个条形图的图像。”
00:05:36它还会说：“这是一个用 LaTeX 编写的方程。”
00:05:39它所做的就是审视文档
00:05:41并将其拆解成各个特殊部分。
00:05:44MinerU 并不理解这里面的内容。
00:05:47MinerU 并不是在阅读文字。
00:05:50它不理解文字的意思。
00:05:52它也不理解图表是关于什么的。
00:05:53它只知道哪里是图表、文本和图像，明白吗？
00:05:55从那里开始，它会将这些组成部分
00:05:56发送到 MinerU 内部的各个专业模型中。
00:06:01这对你来说是不可见的。
00:06:05这一切都是在底层自动发生的。
00:06:10其中一个模型叫做 PaddleOCR。
00:06:12那是用来处理文本的。
00:06:15所以 MinerU 会将这个文本块发送到你电脑上的 PaddleOCR，
00:06:20然后它会提取出文字，好吗？
00:06:21所以现在它不再是扫描后的死文本，
00:06:24而是真正的文本，内容是：X 公司报告了强劲的 23 年第三季度
00:06:28业绩，营收增长，等等等等。
00:06:30对吧？这段文本也是一样。
00:06:34图表也是一样，对吧？
00:06:36它也会将其转化为文本，对吧？
00:06:40转化为大语言模型可以处理的东西。
00:06:41LaTeX 方程也是如此。
00:06:43它有一个专门处理那个的模型，对吧？
00:06:45现在这不再是 LaTeX 代码，而是实际的文本。
00:06:47除了图像。
00:06:48所以无论这是条形图还是其他的，
00:06:52基本上只要是它无法转化为文本的东西。
00:06:54它会转而采取的行动
00:06:57是给它截个图，
00:07:00这一点很重要，明白吗？
00:07:01所以现在这是一个截图。
00:07:03它是一张图像，截图。太棒了。
00:07:05那么我们现在拥有什么？
00:07:07我们输入了一个非文本文件。
00:07:11它已被识别并拆解为各个组成部分，
00:07:13我们把这些部分
00:07:16分成了两个桶，对吧？
00:07:18我们有文本桶和图像桶。
00:07:20意识到这一点很重要。之后会有两条路径，图像或文本。
00:07:22我们有文本桶和图像桶。
00:07:26意识到这一点很重要。
00:07:28它可以走两条路径：图像或文本。
00:07:31好，你听明白了吗？
00:07:32那么它现在要做的是，
00:07:34我们已经用完了这些内部模型。
00:07:36现在我们需要搬出“大人物”了。
00:07:37现在我们需要引入像 GPT 5.4 Mini 这样的模型。
00:07:40值得注意的是，事实并非必然如此。
00:07:42如果你愿意，你可以把这一切都留在本地。
00:07:44你可以使用像 Ollama 这样的工具。
00:07:45所以现在我把文本桶推送到 GPT 5.4 Mini。
00:07:50并且我包含了一个提示词，上面写着：
00:07:52我想让你把这段文本分解成两部分。
00:07:55我想让你提取那段文本，
00:07:57并将其分解为实体和关系。
00:08:01还记得实体和关系吗？
00:08:03还记得我们的知识图谱吗？
00:08:05实体、实体，以及它们之间的某种关系。
00:08:09好的，我想让你把它分解开，
00:08:13分解成将用于向量数据库的嵌入（embeddings）。
00:08:17所以是嵌入，嵌入，
00:08:21然后我只想说：实体加关系。
00:08:26现在，提前想想接下来会发生什么？
00:08:29嗯，嵌入将变成向量数据库中的
00:08:32嵌入向量，而实体和关系
00:08:35将变成一个知识图谱，
00:08:37就像我们用 LightRag 做的一样，对吧？
00:08:39一模一样，只不过现在，
00:08:42现在它是来自文本桶的。
00:08:44但是我们刚才那些图像怎么办，对吧？
00:08:47我们要拿这些家伙怎么办？
00:08:48同样的操作，这些也会被推送到 5.4，
00:08:52但它是作为截图，作为 OCR 处理的。
00:08:55所以我们告诉 GPT 5.4，看一下这张截图
00:08:59并将其分解为两样东西，对吧？
00:09:02嵌入，以及实体加关系。
00:09:06现在，我们为什么要那样做？
00:09:07为什么不直接把所有东西塞进同一个提示词里，
00:09:09让它直接对这整件事进行 OCR 呢，对吧？
00:09:12为什么不把这整个东西都当成一张截图处理？
00:09:14因为那样做既昂贵又缓慢。
00:09:16RAG-anything 选择的做法是，
00:09:17我认为这很聪明，
00:09:19它就像在你的电脑本地层面用手术刀，
00:09:21将其拆分为文本，
00:09:24拆分为截图。
00:09:25所以当我们走这两条路径时，
00:09:27你节省了大量的金钱和时间。
00:09:29因为想象一下，如果你想让 ChatGPT
00:09:31查看 10,000 张截图，然后提取出所有文本，
00:09:34再从文本中，分解出嵌入
00:09:36以及实体和关系。
00:09:37这需要耗费大量的时间和金钱。
00:09:38现在的做法更聪明。
00:09:40所以来自图像端的实体和关系，
00:09:44也是完全一样的。
00:09:45它也会得到一个向量数据库，
00:09:49它也会得到一个知识图谱。
00:09:52那么这意味着什么？
00:09:53这意味着从一个文档中，
00:09:55我们现在创建了四种东西，对吧？
00:09:59我们有两个向量数据库
00:10:02和两个知识图谱，
00:10:04全都来自我们那一份非文本文件。
00:10:08你听明白了吗？
00:10:09现在，我们要做什么？
00:10:10嗯，显而易见。
00:10:11我们需要合并这些。
00:10:12所以它会把这四样东西
00:10:15直接推到一起，对吧？
00:10:18它们基本上会相互重叠。
00:10:19它基本上会根据实体来匹配它们。
00:10:22最后你就会得到，
00:10:27一个向量数据库和一个知识图谱。
00:10:31这跟我们之前
00:10:32用 LightRag 做的事情基本上一模一样。
00:10:34很简单。
00:10:35如果我们只是在使用 RAG-anything，
00:10:38那差不多就是它的全部内容了。
00:10:40然而，记得我们要把 RAG-anything
00:10:44叠加在 LightRag 之上。
00:10:46我想要 LightRag 的所有功能，
00:10:48我也想要 RAG-anything 的所有功能。
00:10:50那现在会发生什么？
00:10:52嗯，发生的事情就是你刚才看到的重复。
00:10:54所以让我们把这个带下来。
00:10:55现在我们有了 RAG-anything 的一套
00:11:00向量数据库和知识图谱，
00:11:05我们还有 LightRag 的一套。
00:11:06那么我们做什么？
00:11:07我们只需将它们合并在一起。
00:11:09接着发生的就是，我们将 RAG-everything
00:11:13和 LightRag 结合在一起，
00:11:15这最终给了我们一个向量数据库
00:11:20和一个知识图谱。
00:11:21从那里开始，就像以前一样，
00:11:24就像单独使用 LightRag 一样，对吧？
00:11:27你问一个关于任何事情的问题，
00:11:31那个问题在这里被转换成一个向量。
00:11:33它提取相关的向量，
00:11:35然后它也转到下面，
00:11:37找到正确的实体，
00:11:39然后查看附近有什么，好吗？
00:11:43也许这有一点令人困惑。
00:11:44我希望我解释清楚了。
00:11:46简单回顾一下，以免让你更糊涂。
00:11:51当我添加一个不能是文本的文档时会发生什么？
00:11:54它进入 RAG-anything。
00:11:56RAG-anything 尽力提取出文本，
00:11:58并尽力提取出图像。
00:12:00它将这两者都发送给 ChatGPT
00:12:02或任何你想要的 AI 系统。
00:12:05它将其分解为嵌入、
00:12:07实体和关系。
00:12:09这些被转换成知识图谱和向量数据库。
00:12:13然后我们把它们合并在一起。
00:12:15我们现在为 RAG-anything 拥有了一个向量数据库
00:12:17和一个知识图谱。
00:12:19既然我们已经在 LightRag 中运行了，
00:12:22或者如果你在上面添加了更多文档，
00:12:24你就有了一个现有的向量数据库
00:12:27和一个现有的知识图谱。
00:12:29为了解决这个问题，我们只需合并它们。
00:12:32最后，你根本不会察觉到任何异样。
00:12:35同样，作为用户，这一切对你来说都是不可见的，好吗？
00:12:39这些其实对你都不重要。
00:12:41唯一对你可能有影响的
00:12:42是 GPT 5.4 这边发生的事情，
00:12:45因为它会让你花一些钱。
00:12:47但出于教学目的，
00:12:50这就是 RAG-anything 系统
00:12:53如何与 LightRag 系统集成的。
00:12:55归根结底，
00:12:57这仅仅意味着你拥有了一个
00:12:58可以处理非文本文件的 RAG 系统。
00:13:00如果你在听完这些之后还没走，
00:13:03现在我们可以进入你如何实际安装这个东西
00:13:07并使用它的环节了。
00:13:08现在让我们谈谈安装过程、
00:13:09如何实际使用它，
00:13:10以及你需要注意的几件事。
00:13:11所以我创建了一个单次提示词，你可以发给 Claude code，
00:13:14它会为你安装所有东西，
00:13:17并更新合适的模型等等。
00:13:19你只需要确保
00:13:20在运行它时，你处于 LightRag 目录下。
00:13:23所以它实际上要做三件事。
00:13:25首先，它将确保
00:13:27我们更新了正确的存储路径，
00:13:29因为你已经有一个 Docker LightRag 实例在运行了。
00:13:32第二，我们要更新模型，
00:13:33因为基于 GitHub 的信息，
00:13:34它最初是在一段时间前创建的。
00:13:37所以所有的示例脚本之类的
00:13:39使用的是像 GPT 4.0 mini 这种。
00:13:41所以我将其改为了 5.4 nano。
00:13:43请理解，如果你愿意，你可以更改它。
00:13:45但我让它使用 5.4 nano，并保持
00:13:48文本嵌入模型为 text-embedding-3-large，这样我们就可以
00:13:51全程使用 OpenAI。
00:13:51这样更简单，你可以根据喜好进行尝试。
00:13:54最后，既然我们将 RAG-anything 用作
00:13:55LightRag 顶层的一个包装器（wrapper），
00:13:58GitHub 仓库中提供的一些示例脚本
00:14:02其实是有点错误的。
00:14:03比如存在这个“嵌入双重包装”Bug，
00:14:05同样，我们只需告诉 Claude code 去修复它，
00:14:08它就会修复。
00:14:09所以你只需要使用这个提示词。
00:14:12同样，它就在免费学校社区里。
00:14:14链接在描述中。
00:14:15只需搜索 RAG-anything，你就能在那里找到它。
00:14:18一旦你运行那个提示词，
00:14:19它就会开始下载所有内容，
00:14:21请理解这会稍微重一点，
00:14:22因为它需要下载 MinerU
00:14:23以及所有那些依赖项。
00:14:25现在让我们谈谈提取文档，
00:14:26因为这有点烦人，也很麻烦。
00:14:28在一个理想的世界里，LightRag 加上 RAG-anything 的情况
00:14:33应该是流线化的，我可以把
00:14:35任何我想要的东西都丢进 LightRag / RAG-anything，
00:14:40通过一个单一的界面。
00:14:41我可以进入 UI，点击上传，
00:14:44然后就这样做。
00:14:45但目前 RAG-anything 配合 LightRag 还没法做到。
00:14:48对于文本文件，你仍然可以这样做。
00:14:50所以你仍然可以使用我上段视频中展示的
00:14:52常规工作流，即进入 UI，
00:14:54或者使用 LightRag 的技能来上传文档。
00:14:59但对于 RAG-anything，你不能这样做。
00:15:01它必须走一条本质上不同的隧道，
00:15:04一条不同的路径。
00:15:05而 RAG-anything 的那条不同路径
00:15:07是一个 Python 脚本。
00:15:09没有 UI，没有按钮可以按。
00:15:11它字面上就是一个脚本。
00:15:12是你必须运行的代码。
00:15:14幸运的是，这正是 Claude code 派上用场的地方，
00:15:16这让一切变得非常简单，因为我们只需
00:15:19将代码库中的那个脚本转换为一项技能。
00:15:23所以对你来说，一旦该技能创建完成，
00:15:25你只需要对 Claude code 说：
00:15:28“使用 rag anything 技能上传所有这些文档，”
00:15:32所有这些非文本格式的文档。
00:15:33当它执行时，
00:15:34它会进入 minerU 的处理流程。
00:15:36这需要一些时间，因为它必须完成所有这些
00:15:39处理步骤，就像我们在之前的
00:15:41技术章节中解释过的那样，
00:15:43但它会将其上传到 light rag，
00:15:45然后它就会出现在你的文档
00:15:47和你的知识图谱中。
00:15:49好了，这是你需要了解的唯一比较特别的地方。
00:15:51说实话，另一个特别之处是，一旦你完成了操作，
00:15:54它还需要你重启 Docker 容器，
00:15:58但作为技能的一部分，这是自动完成的。
00:16:00所以，再次从你作为用户的角度来看，
00:16:03唯一的区别就是你只需要调用该技能。
00:16:06现在，这个 rag anything 上传技能
00:16:08也在免费社区中提供。
00:16:10只需下载它，然后放入你的 .claude 文件夹，
00:16:13它就能正常工作了。
00:16:14关于 minerU 处理较慢的一点说明，
00:16:17那是由于 rag anything 的运作方式，
00:16:19当你下载它时，它默认在 CPU 上运行。
00:16:22如果你想让它在 GPU 上运行，
00:16:24你需要安装不同版本的 PyTorch。
00:16:27如果这些听起来太复杂，
00:16:29而处理速度又让你觉得太慢，只需告诉 Claude code：
00:16:32“嘿，我们能运行 PyTorch 吗？”
00:16:34“我们能在 GPU 上运行 minerU 吗？”
00:16:36它会引导你完成，
00:16:37或者事实上，它会完全自主地搞定。
00:16:39但默认情况下，它只在 CPU 上运行。
00:16:41心里有个数就行。
00:16:42让我们来看看实际操作的例子。
00:16:44我们摄取的文档之一是
00:16:48这份 Novatech 的 PDF，对吧？
00:16:50一份 SaaS 营收分析。
00:16:51它是完全虚构的。
00:16:52但重点是我们摄取了一些
00:16:55带有这种柱状图的内容，对吧？
00:16:57这显然是那种需要
00:16:59提取成图像发送给 ChatGPT 之类的东西。
00:17:01通常 light rag 无法处理这种内容，
00:17:03因为它只是一张图片。
00:17:05它是图表，很难将其解析出来。
00:17:07但由于我们通过 rag anything 运行了它，
00:17:10我们现在可以通过 Claude code 对此进行提问。
00:17:13我询问了 Claude code：
00:17:14“我们可以查询 light rag 数据库”
00:17:15“关于 Novatech 公司在 2025 年 1 月至 9 月的”
00:17:18“月度营收趋势吗？”
00:17:20你可以看到，它甚至没有使用那个技能。
00:17:22它直接进行了 API 请求，
00:17:24这对于查询来说也是完全没问题的。
00:17:26“Novatech 公司的月度营收趋势是怎样的，”
00:17:29“从某某时间到某某时间。”
00:17:30现在它给出了完整的回复。
00:17:32如果我想的话，可以查看原始响应。
00:17:35但它做了什么？
00:17:36它返回了完整的月度数据明细。
00:17:39我们看到 1 月是 4.6，2 月是 4.9，
00:17:433 月是 5.4，以此类推。
00:17:46所以，在针对这些新文档提问方面，
00:17:48操作和以前一样。
00:17:49唯一的区别在于上传过程。
00:17:51你只需要调用我提供给你的
00:17:53那个技能，然后告诉 Claude code
00:17:55你想把什么内容放进去。
00:17:56你可以指向整个文件夹，
00:17:58也可以指向特定的下载文件。
00:18:00就是这么简单。
00:18:01这是你唯一需要适应的略显奇怪的地方，
00:18:04就是这两条上传路径。
00:18:05但实际的问答过程，
00:18:07完全是使用自然语言。
00:18:09即使你有那些我上个视频中给出的技能，
00:18:11也同样是自然语言，
00:18:13而且 Claude code 也足够聪明，
00:18:14能理解整套系统的 API 结构。
00:18:17因为它是本地化的，就在你的电脑上。
00:18:19关于 rag anything 的介绍大概就是这些。
00:18:21我知道这个视频的大部分内容
00:18:22都集中在技术层面，
00:18:24但正如你所见，一旦我们建立起 light rag 基础，
00:18:28在其之上添加 rag anything 并不太难，
00:18:32尤其是如果你直接使用我提供给你的单发提示词。
00:18:35当然，你可以对查询时的边缘细节
00:18:37进行一些微调，
00:18:39但说真的，通过 Claude code，
00:18:41它可以全权负责 light rag 中
00:18:43你可以调节的所有权重参数。
00:18:45关于这一点，我指的是
00:18:45如果我们进入检索部分，
00:18:47右侧显示的所有参数。
00:18:49再说一次，Claude code 知道哪些参数最适合你。
00:18:52总的来说，我希望这解释清楚了
00:18:56设置 rag anything 是多么容易，
00:18:58以及为你的 RAG 系统添加这种级别的功能
00:19:02是多么简单，
00:19:03在许多其他 RAG 系统中，这根本无法实现，
00:19:05或者是极其昂贵的。
00:19:06而这种方式相对便宜，
00:19:08特别是配合我们建立的这一套
00:19:11minerU 本地解析系统。
00:19:12一如既往，请告诉我你的想法。
00:19:14如果你想参加 Claude code 大师课，
00:19:16记得去看看 Chase AI+，
00:19:18我们回头见。