本文介绍RAG-SQL Router系统，解决AI问答时判断信息来源（文档或数据库）的困境。通过LlamaIndex框架和OpenAI模型，实现智能路由决策，支持非结构化和结构化数据查询。提供完整代码和实战步骤，帮助开发者快速搭建智能问答系统。此外，结合Cleanlab Codex提升输出可靠性，适用于企业知识库、客服系统和数据分析助手等场景。

你有没有遇到过这样的困境:用户问你一个问题,你得先判断是该去文档库里翻翻,还是该查查数据库?更头疼的是,如果判断错了,给出的答案要么不准确,要么干脆答非所问。

今天我想和你聊聊一个实战项目——RAG-SQL Router。这不是什么高深莫测的理论,而是一个能真正解决问题的智能系统。更重要的是,我会把完整的实现思路和代码都分享给你,让你也能动手搭建一个。

图片

一、为什么需要这样一个系统?

先说说实际场景。假设你在做一个企业内部的智能问答助手:

场景1:非结构化数据查询

  • “公司最新的休假政策是什么?”
  • “产品功能文档里关于API鉴权的部分怎么说的?”

这类问题的答案藏在PDF、Word文档、Wiki页面里——典型的非结构化数据,最适合用RAG(检索增强生成)来处理。

场景2:结构化数据查询

  • “去年第四季度销售额最高的三个地区是哪些?”
  • “目前有多少活跃用户?”

这些问题需要的是精确的数字,答案在数据库里——需要Text-to-SQL来解决。

问题来了:当用户随便问一个问题,系统怎么知道该用哪种方式回答?

这就是RAG-SQL Router要解决的核心问题:让AI自己判断该走哪条路。

二、系统架构:Agent如何做决策?

整个系统的核心是一个路由Agent,它的工作流程是这样的：

智能体根据用户问题分析意图后，自主选择文档检索或数据库查询工具来获取信息并返回结果。

图片

关键组件解析

  1. Router Agent(路由智能体)

这是整个系统的大脑。它基于LlamaIndex的Workflow框架构建,能够:

  • 理解用户问题的语义
  • 判断问题类型(文档检索还是数据查询)
  • 选择合适的工具
  • 甚至可以同时调用多个工具
  1. RAG工具(向量检索引擎)

负责处理非结构化数据:

  • 使用LlamaCloud作为向量数据库
  • 支持PDF、Word等文档格式
  • 通过语义相似度检索相关内容
  1. SQL工具(自然语言转SQL引擎)

负责处理结构化数据:

  • 将自然语言转换为SQL查询
  • 执行数据库查询
  • 返回结构化结果
  1. Cleanlab Codex(质量保障层)

这是个亮点!很多人做Agent,但没人关心输出是否靠谱。Cleanlab Codex提供:

  • 自动检测不准确或无用的回答
  • 为每个回答提供可信度评分
  • 实时验证查询和响应
  • 允许专家直接改进回答,无需改代码

三、动手实现:完整代码解析

让我带你一步步搭建这个系统。我会用最实际的代码,而不是空谈理论。

第一步:环境准备

# 创建项目目录mkdir rag-sql-routercd rag-sql-router# 创建虚拟环境python -m venv venvsource venv/bin/activate  # Windows用: venv/Scripts/activate# 安装依赖pip install llama-index llama-index-llms-openai /    llama-index-embeddings-openai /    llama-index-indices-managed-llama-cloud /    sqlalchemy streamlit nest-asyncio

第二步:配置API密钥

创建 .env 文件:

OPENAI_API_KEY=your_openai_keyLLAMA_CLOUD_API_KEY=your_llamacloud_keyLLAMA_CLOUD_ORG_ID=your_org_idLLAMA_CLOUD_PROJECT_NAME=your_projectLLAMA_CLOUD_INDEX_NAME=your_index

第三步:搭建SQL查询引擎

from sqlalchemy import create_engine, MetaData, Table, Column, Integer, String, insertfrom llama_index.core.query_engine import NLSQLTableQueryEnginefrom llama_index.core import SQLDatabase# 创建示例数据库engine = create_engine("sqlite:///:memory:")metadata = MetaData()# 定义城市统计表city_stats = Table(    'city_stats', metadata,    Column('city', String, primary_key=True),    Column('population', Integer),    Column('country', String),)metadata.create_all(engine)# 插入示例数据rows = [    {"city": "Toronto", "population": 2930000, "country": "Canada"},    {"city": "Tokyo", "population": 13960000, "country": "Japan"},    {"city": "Berlin", "population": 3645000, "country": "Germany"},]with engine.connect() as conn:    for row in rows:        conn.execute(insert(city_stats).values(row))    conn.commit()# 创建SQL数据库对象sql_database = SQLDatabase(engine, include_tables=["city_stats"])# 创建自然语言SQL查询引擎sql_query_engine = NLSQLTableQueryEngine(    sql_database=sql_database,    tables=["city_stats"],)

这段代码做了什么?

  1. 创建了一个内存SQLite数据库(适合演示,生产环境换成MySQL/PostgreSQL)

  2. 定义了城市统计表,包含城市名、人口、国家字段

  3. 插入了一些示例数据

  4. 用NLSQLTableQueryEngine包装数据库,它能把"人口最多的城市"这样的问题转成SQL

第四步:搭建RAG检索引擎

from llama_index.indices.managed.llama_cloud import LlamaCloudIndeximport os# 连接到LlamaCloud索引rag_index = LlamaCloudIndex(    name=os.getenv("LLAMA_CLOUD_INDEX_NAME"),    project_name=os.getenv("LLAMA_CLOUD_PROJECT_NAME"),    organization_id=os.getenv("LLAMA_CLOUD_ORG_ID"),    api_key=os.getenv("LLAMA_CLOUD_API_KEY"),)# 创建查询引擎rag_query_engine = rag_index.as_query_engine()

LlamaCloud是什么?

简单说,它是一个托管的向量数据库服务:

  • 你上传文档(PDF、DOCX等)
  • 它自动切分、向量化、建索引
  • 你只需要调用API查询

当然,你也可以用Qdrant、Pinecone、Weaviate等替代。

第五步:将查询引擎包装成工具

from llama_index.core.tools import QueryEngineTool# SQL工具sql_tool = QueryEngineTool.from_defaults(    query_engine=sql_query_engine,    name="sql_query_engine",    description=(        "用于查询城市统计数据,包括人口、国家等信息。"        "适合回答关于数字、排名、统计类的问题。"    ),)# RAG工具rag_tool = QueryEngineTool.from_defaults(    query_engine=rag_query_engine,    name="document_search_engine",    description=(        "用于搜索文档内容,适合回答关于政策、流程、"        "说明等需要从文档中查找信息的问题。"    ),)

为什么要包装成工具?

这里的description非常关键!Agent会读这些描述来判断该用哪个工具。所以描述要:

  • 清晰明确:说清楚工具能做什么
  • 区分明显:让Agent能轻松分辨使用场景
  • 举例说明:提示适用的问题类型

第六步:构建Router Workflow

这是整个系统最核心的部分:

from llama_index.core.workflow import (    Event,    StartEvent,    StopEvent,    Workflow,    step,)from llama_index.llms.openai import OpenAIfrom typing import List, Any# 定义事件类型class PrepEvent(Event):    """准备阶段完成事件"""    passclass ToolCallEvent(Event):    """工具调用事件"""    tool_calls: List[Any]# 定义Router Workflowclass RouterWorkflow(Workflow):    def __init__(self, tools: List[QueryEngineTool], kwargs):        super().__init__(kwargs)        self.tools = {tool.metadata.name: tool for tool in tools}        self.llm = OpenAI(model="gpt-4")    @step    async def prepare_chat(self, ev: StartEvent) -> PrepEvent:        """准备对话消息"""        # 获取用户查询        user_msg = ev.query        # 构建系统提示        system_prompt = self._build_system_prompt()        # 存储到上下文        self.query = user_msg        self.messages = [            {"role": "system", "content": system_prompt},            {"role": "user", "content": user_msg}        ]        return PrepEvent()    @step    async def handle_llm_call(self, ev: PrepEvent) -> ToolCallEvent | StopEvent:        """调用LLM决策"""        # 准备工具定义给LLM        tools_def = [            {                "type": "function",                "function": {                    "name": name,                    "description": tool.metadata.description,                    "parameters": {                        "type": "object",                        "properties": {                            "query": {                                "type": "string",                                "description": "用户查询"                            }                        },                        "required": ["query"]                    }                }            }            for name, tool in self.tools.items()        ]        # 调用LLM        response = await self.llm.achat(            messages=self.messages,            tools=tools_def        )        # 检查是否有工具调用        if response.message.tool_calls:            return ToolCallEvent(tool_calls=response.message.tool_calls)        else:            # 没有工具调用,直接返回答案            return StopEvent(result=response.message.content)    @step    async def handle_tool_calls(self, ev: ToolCallEvent) -> StopEvent:        """执行工具调用"""        results = []        for tool_call in ev.tool_calls:            tool_name = tool_call.function.name            tool_args = eval(tool_call.function.arguments)            # 执行工具            tool = self.tools[tool_name]            result = await tool.aquery(tool_args["query"])            results.append({                "tool": tool_name,                "result": str(result)            })        # 组合结果        final_answer = self._combine_results(results)        return StopEvent(result=final_answer)    def _build_system_prompt(self) -> str:        """构建系统提示"""        return """你是一个智能助手,能够访问以下工具:1. SQL查询引擎:用于查询结构化数据2. 文档搜索引擎:用于搜索文档内容根据用户问题,选择合适的工具。如果需要,可以同时使用多个工具。"""    def _combine_results(self, results: List[dict]) -> str:        """组合多个工具的结果"""        if len(results) == 1:            return results[0]["result"]        combined = "根据查询结果:/n/n"        for i, res in enumerate(results, 1):            combined += f"{i}. 从{res['tool']}得到: {res['result']}/n"                return combined

这个Workflow是怎么工作的?

  1. prepare_chat: 接收用户问题,准备系统提示和对话消息

  2. handle_llm_call: 调用LLM,让它决定用哪个工具(或多个工具)

  3. handle_tool_calls: 实际执行工具调用,获取结果

  4. 如果有多个结果,组合起来返回

关键点在于:

  • Event驱动:每个step返回一个Event,触发下一个step
  • 异步执行:所有step都是async,支持并发
  • 灵活路由:LLM可以选择0个、1个或多个工具

第七步:创建Streamlit界面

import streamlit as stimport asyncio# 页面配置st.set_page_config(page_title="RAG-SQL Router", page_icon="🤖")st.title(" 智能路由问答系统")st.markdown("问我任何问题,我会自动选择最佳方式回答!")# 初始化工具和workflowif "workflow" not in st.session_state:    # 创建工具    tools = [sql_tool, rag_tool]        # 初始化workflow    st.session_state.workflow = RouterWorkflow(        tools=tools,        timeout=60.0    )# 聊天历史if "messages" not in st.session_state:    st.session_state.messages = []# 显示历史消息for message in st.session_state.messages:    with st.chat_message(message["role"]):        st.markdown(message["content"])# 用户输入if prompt := st.chat_input("在这里输入你的问题..."):    # 显示用户消息    st.session_state.messages.append({"role": "user", "content": prompt})    with st.chat_message("user"):        st.markdown(prompt)        # 调用workflow获取答案    with st.chat_message("assistant"):        with st.spinner("思考中..."):            # 运行workflow            result = asyncio.run(                st.session_state.workflow.run(query=prompt)            )                        # 显示答案            st.markdown(result)        # 保存助手回答    st.session_state.messages.append({"role": "assistant", "content": result})# 侧边栏:显示可用工具with st.sidebar:    st.subheader("🔧 可用工具")    st.write("1. SQL查询引擎")    st.caption("查询城市统计数据")    st.write("2. 文档搜索引擎")    st.caption("搜索文档内容")        if st.button("清空对话"):        st.session_state.messages = []        st.rerun()

第八步:运行系统

streamlit run app.py

打开浏览器,访问 http://localhost:8501,试试这些问题:

SQL类问题:

  • “哪个城市人口最多?”
  • “有多少个欧洲城市?”

RAG类问题:

  • “文档里提到的政策要点是什么?”
  • “关于API使用的说明在哪里?”

混合问题:

  • “东京的人口是多少?同时告诉我文档里关于东京的介绍。”

四、加入Cleanlab Codex:让输出更可靠

前面的系统已经能工作了,但有个问题:怎么知道AI的回答靠不靠谱?

这就是Cleanlab Codex的价值。它能:

  1. 自动检测问题回答
  • 答非所问
  • 信息不完整
  • 事实错误
  1. 提供可信度评分
  • 每个回答都有0-1的分数
  • 分数低于阈值触发告警
  1. 支持专家反馈
  • SME(领域专家)可以直接标注
  • 系统自动学习改进

集成代码示例:

from cleanlab_codex import CleanlabCodex# 初始化Codexcodex = CleanlabCodex(api_key=os.getenv("CLEANLAB_API_KEY"))# 在workflow中使用@stepasync def validate_response(self, ev: StopEvent) -> StopEvent:    """验证响应质量"""    # 获取原始回答    response = ev.result        # 验证质量    validation = codex.validate(        query=self.query,        response=response,        context=self.retrieved_context    )        # 添加可信度评分    confidence = validation.trustworthiness_score        if confidence < 0.7:        response += f"/n/n 可信度: {confidence:.2%} (建议人工确认)"    else:        response += f"/n/n 可信度: {confidence:.2%}"        return StopEvent(result=response)

五、实际应用场景

这套系统不是玩具,我们来看看能解决什么实际问题:

场景1:企业知识库

问题: 公司有大量文档(员工手册、产品文档、流程规范)和业务数据(销售、用户、财务)。员工经常不知道去哪找信息。

解决方案:

  • RAG工具索引所有文档
  • SQL工具连接业务数据库
  • 员工直接问问题,系统自动路由

效果:

  • 减少80%的重复咨询
  • 提升员工自助查询效率
  • 数据和文档统一入口

场景2:客户服务系统

问题: 客服需要回答产品使用问题(文档)和订单状态(数据库)。

解决方案:

  • RAG工具索引产品文档、FAQ
  • SQL工具连接订单系统
  • 客服输入问题,系统提供参考答案

效果:

  • 新客服上手快
  • 答案标准化
  • 响应时间缩短50%

场景3:数据分析助手

问题: 业务人员不会写SQL,但需要经常查数据。

解决方案:

  • SQL工具连接数据仓库
  • RAG工具提供分析方法论文档
  • 自然语言查询,自动生成SQL

效果:

  • 降低对数据团队的依赖
  • 提升数据驱动决策效率
  • 减少重复分析工作

六、关键经验和坑

搭建这个系统时,我踩过不少坑,分享几个关键经验:

1. 工具描述要精准

坑: 最开始我的SQL工具描述是"用于查询数据"——太模糊了!结果Agent经常选错。

解决: 改成"用于查询城市统计数据,包括人口、国家等信息。适合回答关于数字、排名、统计类的问题。"——具体、清晰、有例子。

2. 处理好并发调用

坑: 用户问"东京人口多少?文档里怎么说的?"——需要同时调用两个工具,但结果怎么组合?

解决:

  • Workflow支持并发step
  • 在_combine_results里做好结果聚合
  • 让LLM再做一次总结

3. 数据库连接要健壮

坑: SQLite内存数据库重启就没了,生产环境不能用。

解决:

# 生产环境用持久化数据库engine = create_engine(    "postgresql://user:pass@host:5432/db",    pool_pre_ping=True,  # 检查连接有效性    pool_size=10,  # 连接池)

4. Token消耗要控制

坑: 每次查询都把全部上下文传给LLM,token消耗巨大。

解决:

  • 只传必要的上下文
  • 使用更便宜的模型做路由(gpt-3.5-turbo)
  • 缓存常见问题的答案

5. 错误处理要完善

坑: SQL语法错误、网络超时、API限流都会导致系统崩溃。

解决:

try:    result = await tool.aquery(query)except SQLAlchemyError as e:    result = f"数据库查询失败: {str(e)}"except TimeoutError:    result = "查询超时,请稍后重试"except Exception as e:    result = f"系统错误: {str(e)}"    # 记录日志    logger.error(f"Tool error: {e}", exc_info=True)

七、性能优化建议

如果你要把这套系统用到生产环境,这些优化必不可少:

1. 缓存机制

from functools import lru_cacheimport hashlib@lru_cache(maxsize=1000)def cached_query(query_hash: str):    """缓存查询结果"""    # 实际查询逻辑    pass# 使用时query_hash = hashlib.md5(query.encode()).hexdigest()result = cached_query(query_hash)

2. 批量查询

对于相似查询,批量处理:

async def batch_query(queries: List[str]):    """批量执行查询"""    tasks = [workflow.run(query=q) for q in queries]    return await asyncio.gather(*tasks)

3. 监控和日志

import loggingfrom datetime import datetimelogging.basicConfig(    level=logging.INFO,    format='%(asctime)s - %(name)s - %(levelname)s - %(message)s',    handlers=[        logging.FileHandler('rag_sql_router.log'),        logging.StreamHandler()    ])logger = logging.getLogger(__name__)# 在关键位置记录logger.info(f"Query received: {query}")logger.info(f"Tool selected: {tool_name}")logger.info(f"Response time: {elapsed:.2f}s")

4. 限流保护

from functools import wrapsimport timedef rate_limit(max_calls: int, time_window: int):    """限流装饰器"""    calls = []        def decorator(func):        @wraps(func)        async def wrapper(*args, kwargs):            now = time.time()            # 清理过期记录            calls[:] = [c for c in calls if c > now - time_window]                        if len(calls) >= max_calls:                raise Exception("请求过于频繁,请稍后再试")                        calls.append(now)            return await func(*args, kwargs)        return wrapper    return decorator@rate_limit(max_calls=10, time_window=60)async def handle_query(query: str):    """处理查询,每分钟最多10次"""    pass

八、总结

看到这里，你大概已经能感受到：RAG-SQL Router 这东西看起来像“多加了一个路由层”，但真正解决的是落地时最容易被忽视的一件事——把“该去哪儿找答案”这一步交给系统，而不是交给用户。

很多企业内部问答做不起来，并不是因为模型不够强，而是因为入口不够统一：同一句话问出来，有时候是制度条款，有时候是数据口径，有时候还夹杂着流程步骤。人能凭经验判断“先查文档还是先查库”，但系统如果没有这个判断能力，就会变成两种尴尬：

  • 只做RAG：回答得像“引用资料”，听起来挺像那么回事，但数字经不起核对；
  • 只做Text-to-SQL：能查到数，但对“为什么这么算”“规则写在哪”完全没有解释能力。

Router 的价值，就是让这两套能力不再互相拖后腿，而是互相补位：需要确定性的时候走SQL，需要背景解释的时候走RAG，复杂一点的问题就两条路一起跑，最后再把结果合到一张桌子上给你。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。
图片
图片
对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

图片

👇👇扫码免费领取全部内容👇👇

在这里插入图片描述

最后

1、大模型学习路线

img

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

在这里插入图片描述

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

在这里插入图片描述

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

img

5、面试试题/经验

img

【大厂 AI 岗位面经分享（107 道）】

img

【AI 大模型面试真题（102 道）】

img

【LLMs 面试真题（97 道）】

img

6、大模型项目实战&配套源码

img

适用人群

在这里插入图片描述

四阶段学习规划（共90天，可落地执行）
第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …
第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …
第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …
第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型

  • 带你了解全球大模型

  • 使用国产大模型服务

  • 搭建 OpenAI 代理

  • 热身：基于阿里云 PAI 部署 Stable Diffusion

  • 在本地计算机运行大模型

  • 大模型的私有化部署

  • 基于 vLLM 部署大模型

  • 案例：如何优雅地在阿里云私有部署开源大模型

  • 部署一套开源 LLM 项目

  • 内容安全

  • 互联网信息服务算法备案

  • …

    👇👇扫码免费领取全部内容👇👇

    在这里插入图片描述

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
在这里插入图片描述
在这里插入图片描述

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

# 数据库 # sql # 人工智能 # 学习 # 职场和发展
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

cover

深入研究RAG: 在线阶段-查询&问答

avatar AtomGit开源社区
cover

Web在线考试系统信息管理系统源码-SpringBoot后端+Vue前端+MySQL【可直接运行】

avatar AtomGit开源社区
cover

Java Web 网站系统源码-SpringBoot2+Vue3+MyBatis-Plus+MySQL8.0【含文档】

avatar AtomGit开源社区