AI教程

把 Gemini 生成的 ComfyUI 工作流 JSON 当作未验证草稿，先导入、识别缺失节点和模型，再从最小链路逐步执行。

让 AI Agent 先通过 RAG 检索证据，再依据命中质量选择回答、拒答或调用受控工具，并保存路由原因。

让 RAG 回答携带来源 ID、页码和原文片段，先验证引用确实支持对应结论，再把引用渲染给用户。

用带相关文档标注的问题集评估 RAG 检索，计算 Hit Rate 与 MRR，并分别检查 Top-K、无答案和版本变化。

为 RAG 设计 tenant_id、document_id、version 和 status 元数据，在向量查询前强制过滤租户与生效版本。

在 RAG 中并行取得关键词与向量候选，按文档 ID 去重后融合排名，并用关键词和语义两类问题验收。

估算 Ollama 运行 DeepSeek 的配置时，结合具体标签、量化文件、上下文 KV Cache、系统内存和 GPU 支持，不只看参数量。

电脑重启后按系统服务、本地模型和 API 三层检查 Ollama DeepSeek，定位服务未启动、模型缺失或前端连错地址。

在 Ollama 中并行保留多个 DeepSeek 标签，通过准确模型名切换，并用相同提示与参数比较速度和输出。

核对 Ollama 中 DeepSeek 模型的来源、具体标签、参数规模与量化文件，避免把所有标签称为官方原版。