当前位置： 首页 > news >正文

RAGflow 深度实践：从零构建私有知识库的完整指南

news 2026/8/3 5:41:27

如果你正在尝试将大语言模型（LLM）与你的私有数据结合，构建一个能精准回答专业问题的智能助手，那么你很可能已经听说过 RAG（检索增强生成）。这个技术方向无疑是正确的，但当你真正动手时，会发现从零搭建一个可用的 RAG 系统，远不止调用几个 API 那么简单。你需要处理文档解析、向量化、检索、重排序、提示工程等一系列复杂环节，任何一个环节的疏漏都可能导致“幻觉”回答或糟糕的体验。

这正是RAGflow出现的意义。它不是一个简单的库，而是一个开源的、深度优化的 RAG 应用引擎。它试图将构建生产级 RAG 应用的复杂性封装起来，为你提供一个开箱即用的解决方案。本文的核心判断是：对于大多数希望快速构建可靠私有知识库的开发者或团队，RAGflow 是目前降低 RAG 落地门槛、提升效果确定性的最优选之一，尤其在其对复杂文档的深度解析和“流式”处理能力上。

网上关于 RAGflow 的教程很多，但往往只讲“如何启动”，却忽略了“为什么有效”和“如何用好”。本文将带你完成一次从零开始的深度实践，涵盖本地部署、知识库完整搭建流程、以及基于真实场景的大模型 RAG 实战。你将不仅学会操作步骤，更能理解每个配置项背后的逻辑，掌握排查问题的思路，最终获得一个真正可用的、属于你自己的 AI 知识库。

1. RAGflow 究竟是什么？它解决了什么核心痛点？

在深入部署之前，我们必须先厘清 RAGflow 的定位。它不是一个像 LangChain 或 LlamaIndex 那样的底层框架，让你从零开始组装 RAG 流水线。相反，它更像一个“RAG 应用的操作系统”。

传统 RAG 构建的典型痛点：

  1. 文档解析之痛：PDF、Word、PPT 中的复杂格式（表格、图表、页眉页脚）解析不全，丢失关键信息。
  2. 文本切分之惑：按固定长度“暴力”切分，导致语义断层，一个完整的答案被切到两个片段中。
  3. 检索精度之殇：简单的向量相似度搜索，无法应对多义词、上下文依赖等问题，召回不相关片段。
  4. 效果调试之难：流水线环节多，效果不好时，难以定位是解析、切分、检索还是生成环节的问题。
  5. 工程部署之繁：需要自行搭建前端界面、用户管理、对话历史、文件管理等配套系统。

RAGflow 的应对策略：

  • 深度文档解析：内置基于深度学习的解析器，对表格、图表、公式等非结构化信息有更好的提取能力。
  • 基于语义的智能切分：采用“递归切分”和“语义切分”策略，尽可能保证切分后的文本块具有完整的语义。
  • 多路召回与重排序：结合关键词检索（全文搜索）和向量检索，并通过重排序模型对召回结果进行精排，提升最终送入大模型的片段质量。
  • “流式”可视化调试：提供了图形化界面，可以清晰看到一份文档从原始文件 -> 解析文本 -> 切分块 -> 向量化 -> 检索命中 -> 生成答案的完整“流”（Flow），便于调试和优化。
  • 开箱即用的应用：直接提供了 Web 管理界面，包含知识库管理、对话应用、用户权限等企业级功能。

简单来说，如果你想要一个功能完整、效果相对可靠、省去大量底层开发工作的 RAG 系统，RAGflow 是一个极具吸引力的选择。它特别适合企业内网知识库、个人学习助手、客服问答系统等场景。

2. 环境准备：部署前必须检查的清单

RAGflow 的部署方式多样，支持 Docker 快速启动，也支持基于源码的深度定制。为了最快速地体验和验证，我们选择Docker Compose部署方式，这也是官方推荐的生产级简易部署方案。

2.1 系统与资源要求

  • 操作系统：Linux (Ubuntu 20.04+/CentOS 7+), macOS, 或 Windows (通过 WSL2)。本文以 Ubuntu 22.04 为例。
  • Docker 与 Docker Compose：这是必须的。请确保已安装最新稳定版。
    # 检查 Docker 版本 docker --version # 检查 Docker Compose 版本 (V2) docker compose version
  • 硬件资源：
    • CPU：建议 4 核以上。文档解析和模型推理是 CPU 密集型任务。
    • 内存：最低 8GB，建议 16GB 或以上。运行向量数据库和大模型需要较多内存。
    • 磁盘空间：至少 20GB 可用空间，用于存储镜像、模型和文档数据。
  • 网络：需要能访问 Docker Hub 和 GitHub 以下载镜像和源码。首次拉取镜像可能耗时较长。

2.2 关键依赖组件解析

通过 Docker Compose 启动时，RAGflow 会拉起一组服务，你需要了解它们各自的作用：

  1. RAGflow Server：核心应用，提供 API 和 Web 界面。
  2. PostgreSQL：存储元数据，如用户信息、知识库配置、文件列表、对话记录等。
  3. Redis：用作缓存和消息队列，提升系统性能。
  4. 向量数据库（默认为 DashVector）：存储文档片段的向量嵌入（Embedding），用于相似性检索。RAGflow 也支持 Chroma、Milvus 等。
  5. 大模型（LLM）服务：RAGflow 本身不包含模型，需要你连接一个 LLM API。它支持 OpenAI GPT、通义千问、DeepSeek、ChatGLM、Ollama 本地模型等。这是部署的关键配置点。

3. 一步步完成 RAGflow 本地部署

我们开始实战。假设你的工作目录是~/ragflow。

3.1 获取部署文件

首先，从 GitHub 拉取 RAGflow 的仓库，其中包含了部署所需的配置文件。

# 创建并进入工作目录 mkdir -p ~/ragflow && cd ~/ragflow # 克隆仓库（使用国内镜像或官方仓库，如果慢可尝试 Gitee 镜像） git clone https://github.com/infiniflow/ragflow.git ./ # 或使用 Gitee 镜像 # git clone https://gitee.com/infiniflow/ragflow.git ./

3.2 配置关键环境变量

RAGflow 的核心配置通过docker-compose.yml和.env文件管理。我们需要重点关注.env文件。

# 进入包含 docker-compose 文件的目录 cd ~/ragflow/docker/compose # 复制环境变量示例文件 cp .env.example .env

现在，用文本编辑器（如vim或nano）打开.env文件。你需要修改以下几个关键配置：

# .env 文件关键配置示例 # 1. 数据库密码（按需修改，生产环境务必使用强密码） POSTGRES_PASSWORD=your_secure_password_here REDIS_PASSWORD=your_redis_password_here # 2. 向量数据库配置（以默认的 DashVector 为例，需要阿里云 API Key） # 如果你没有 DashVector，可以后续改为使用内置的 Chroma（配置更简单，但功能可能受限） VECTOR_STORE=DashVector # 以下三项需要前往阿里云开通 DashVector 服务获取 DASHVECTOR_API_KEY=your_dashvector_api_key DASHVECTOR_ENDPOINT=https://dashvector.aliyuncs.com DASHVECTOR_CLUSTER_NAME=your_cluster_name # 3. 大模型配置（这是核心！我们以使用通义千问 API 为例） LLM_API_TYPE=qwen # 指定模型类型，可选 openai, qwen, ollama 等 # 使用通义千问需要配置 API Key 和 Base URL LLM_API_KEY=your_qwen_api_key LLM_API_BASE=https://dashscope.aliyuncs.com/compatible-mode/v1 LLM_MODEL=qwen-max # 指定具体模型，如 qwen-max, qwen-plus, gpt-3.5-turbo 等 # 4. 嵌入模型配置（用于将文本转为向量） # 如果你使用 DashVector，它通常有自带的嵌入模型。也可以使用其他模型。 EMBEDDING_API_TYPE=DashVector # 或 sentence-transformers, OpenAI 等

重要说明：对于初次体验，配置 DashVector 和在线 LLM API 可能有些繁琐。一个更简单的快速启动方案是使用Ollama 运行本地模型，并将向量数据库改为Chroma（内置）。我们调整配置如下：

# 修改 .env 文件，使用 Ollama + Chroma 的简化方案 VECTOR_STORE=Chroma # 使用内置的 Chroma 向量数据库，无需外部 API EMBEDDING_API_TYPE=sentence-transformers # 使用本地 sentence-transformers 模型 EMBEDDING_MODEL=BAAI/bge-small-zh-v1.5 # 一个优秀的中文嵌入模型 LLM_API_TYPE=ollama # 使用本地 Ollama 服务 LLM_API_BASE=http://host.docker.internal:11434 # Docker 容器访问宿主机 Ollama 的地址 LLM_MODEL=qwen2.5:7b # 假设你已在本地用 Ollama 拉取了 qwen2.5:7b 模型

这种配置下，所有组件（RAGflow、Chroma、嵌入模型、通过 Ollama 的 LLM）都在本地运行，无需任何外部 API 密钥，数据完全私有。

3.3 启动 RAGflow 服务

配置好.env后，使用 Docker Compose 启动所有服务。

# 在 ~/ragflow/docker/compose 目录下执行 docker compose up -d

-d参数表示在后台运行。首次执行会下载所有必需的 Docker 镜像（包括 PostgreSQL, Redis, RAGflow 等），耗时可能较长，请耐心等待。

你可以使用以下命令查看服务启动状态：

docker compose logs -f ragflow # 跟踪 RAGflow 容器的日志 # 或查看所有容器状态 docker compose ps

当看到日志中出现Application startup complete.或类似信息时，表示 RAGflow 服务已成功启动。

3.4 访问 Web 界面并初始化

服务启动后，在浏览器中访问http://你的服务器IP:9380（默认端口 9380）。

  1. 首次访问：你会看到初始化页面，需要设置管理员账号和密码。
  2. 登录：使用刚才设置的管理员账号登录，进入 RAGflow 的主控制台。

至此，RAGflow 的本地部署已经完成。接下来，我们将进入核心环节——构建你的第一个知识库。

4. 从零构建你的第一个知识库：完整流程拆解

登录后，左侧菜单栏找到“知识库”并点击“创建知识库”。这个界面包含了 RAGflow 的核心配置理念。

4.1 知识库基础配置

  • 知识库名称：起一个易于识别的名字，如“产品手册库”。
  • 描述：可选，说明该知识库的用途。
  • 权限：可以选择“公开”（组织内所有用户可见）或“私有”。

4.2 核心配置解析：解析器、切分器与嵌入模型

这是决定知识库质量的关键步骤。RAGflow 将文档处理流程模块化，让你可以针对不同类型的文档进行优化。

1. 解析器选择：

  • 深度解析：适用于复杂的 PDF、Word、PPT，能更好地提取表格、排版信息。计算资源消耗较大。
  • 快速解析：适用于简单的 TXT、Markdown、HTML 文件，速度更快。
  • 建议：对于包含丰富格式的文档，务必选择“深度解析”。

2. 文本切分配置：

  • 切分方法：这是 RAGflow 的亮点。提供“递归切分”和“语义切分”。
    • 递归切分：按分隔符（如换行、句号）递归地切分文本，直到块大小符合要求。能更好保持段落完整性。
    • 语义切分：使用语义模型判断哪里是更好的切分点，效果最好，但速度最慢。
  • 块大小与重叠：
    • 块大小：每个文本片段的最大 token 数（或字符数）。通常设置在 512-1024 之间。太小则上下文不足，太大则检索精度下降。
    • 重叠大小：相邻两个文本片段之间重叠的 token 数。设置一定的重叠（如 100-200）可以防止答案被切分边界割裂。
  • 建议配置：对于中文文档，初次尝试可设置块大小=800，重叠大小=100，使用递归切分。

3. 嵌入模型配置：

  • 这里选择你在.env文件中配置的嵌入模型（如BAAI/bge-small-zh-v1.5）。它负责将文本块转化为向量。
  • 确保此处的模型名称与启动配置一致。

4.3 上传文档并处理

配置完成后，点击“确认创建”。进入知识库详情页，点击“上传文档”。

  • 支持格式：PDF, Word (.docx), PowerPoint (.pptx), Excel (.xlsx), TXT, Markdown, HTML 等。
  • 批量上传：可以同时上传多个文件。
  • 处理状态：上传后，RAGflow 会自动执行“解析 -> 切分 -> 向量化”的流水线。你可以在“文档”列表中看到处理进度和状态（解析中/切分中/向量化中/已完成）。

关键观察点：处理完成后，点击任意一个已处理的文档，你可以进入“详情”页面。在这里，RAGflow 展示了其强大的“流式”可视化能力。你可以清晰地看到：

  1. 原始文档的预览。
  2. 解析后得到的纯文本。
  3. 文本被切分成的每一个“块”（Chunk）。
  4. 每个块对应的向量状态。

这个可视化界面是调试和优化解析、切分效果的利器。如果你发现某个表格解析乱了，或者切分不合理，可以回头调整知识库的配置（如更换解析器或调整切分参数）后重新处理文档。

5. 创建对话应用并与知识库关联

知识库准备好后，我们需要创建一个“对话应用”来使用它。

  1. 点击左侧菜单“对话应用” -> “创建应用”。
  2. 应用配置：
    • 应用名称：如“产品知识问答助手”。
    • 对话模型：选择你在.env中配置的 LLM（如Ollama - qwen2.5:7b）。
    • 提示词模板：RAGflow 提供了默认模板，它会将检索到的文档片段和用户问题组合成一个提示词（Prompt）发送给 LLM。高级用户可以在此进行定制，例如调整指令、规定回答格式等。
    • 关联知识库：在“知识库”选项下，勾选我们刚才创建的“产品手册库”。一个应用可以关联多个知识库。
  3. 检索配置（高级设置）：
    • 检索模式：混合检索（默认且推荐）。它同时使用向量检索（语义相似）和全文检索（关键词匹配），然后合并结果，能有效提高召回率。
    • 重排序模型：如果启用，会对检索出的多个片段进行精排，将最相关的排在最前面，通常能提升答案质量。初次体验可以不启用。
    • 引用设置：建议开启“返回引用”。这样模型生成答案时，会注明引用了哪个文档的哪个片段，增加可信度。

创建完成后，你就拥有了一个专属的 AI 问答助手。点击应用卡片上的“对话”按钮，即可开始测试。

6. 实战测试：从简单到复杂的问答验证

现在进入最激动人心的环节：测试你的知识库效果。

6.1 基础事实性问答

上传一份你熟悉的产品说明书或技术文档。在对话界面，尝试提问文档中明确存在的事实。

  • 示例问题：“这款设备的最大支持功率是多少？”
  • 期望：助手应能准确回答出数值，并可能引用文档中的相关段落。

6.2 多轮对话与上下文理解

基于上一个问题继续追问。

  • 示例：
    • 用户：“上面提到的功率，在220V电压下对应的电流是多少？”
    • 期望：助手能理解“上面提到的功率”指代上一轮的内容，并运用物理公式或文档中的信息进行计算或回答。

6.3 复杂语义与总结性问题

提问需要整合多个段落信息的问题。

  • 示例问题：“请总结一下第三章提到的所有安全注意事项。”
  • 期望：助手能检索到文档中关于“安全”的多个片段，并进行归纳总结，生成一个条理清晰的列表。

6.4 检索过程分析（调试利器）

如果答案不准确，不要急于否定。点击问答气泡右下角的“查看引用”或类似按钮（不同版本界面可能不同）。RAGflow 会展示出本次问答所检索到的文本片段。

  • 分析：看看被检索出来的片段是否真的与问题相关？如果不相关，问题可能出在检索环节（嵌入模型不好或检索配置不当）。如果片段相关但答案不对，问题可能出在生成环节（提示词或 LLM 本身能力不足）。

通过这种“可视化追溯”，你可以精准定位 RAG 流水线的瓶颈所在，这是使用 RAGflow 相比自己搭建 RAG 系统的一个巨大优势。

7. 常见问题与深度排查指南

在部署和使用过程中，你一定会遇到一些问题。以下是典型问题及解决思路。

问题现象可能原因排查步骤解决方案
Docker Compose 启动失败，端口冲突9380、5432（PostgreSQL）、6379（Redis）等端口被占用netstat -tlnp | grep <端口号>查看占用进程修改docker-compose.yml中的端口映射，或停止占用进程。
访问http://ip:9380无法连接防火墙未开放端口，或服务未成功启动1. 检查服务器防火墙规则。
2.docker compose ps查看容器状态。
3.docker compose logs ragflow查看应用日志。		开放对应端口，或根据日志错误修复配置后重启。
上传文档后一直处于“解析中”或“向量化中”解析器或嵌入模型所需资源不足，或网络问题（拉取模型）1.docker stats查看容器 CPU/内存占用。
2. 查看 RAGflow 容器日志，是否有模型下载错误。		1. 确保服务器资源充足。
2. 对于嵌入模型，可尝试更换更小尺寸的模型（如BAAI/bge-small-zh）。
3. 检查网络连通性。
问答时提示“模型调用失败”或超时LLM 服务连接失败，或 API Key 错误，或 Ollama 未启动1. 检查.env中LLM_API_BASE和LLM_API_KEY配置。
2. 手动测试 LLM 服务是否可用（如curl http://localhost:11434/api/generate测试 Ollama）。
3. 查看 RAGflow 日志中具体的错误信息。		1. 修正 API 配置。
2. 确保 Ollama 服务已运行且模型已加载 (ollama run qwen2.5:7b)。
3. 对于 Docker 内访问宿主机服务，确保使用host.docker.internal（Mac/Windows）或宿主机真实 IP（Linux 需特殊配置）。
问答答案质量差，答非所问1. 检索未命中相关片段。
2. 片段质量差（解析/切分问题）。
3. LLM 能力不足或提示词不佳。		1. 在问答界面点击“查看引用”，检查检索到的片段是否相关。
2. 进入知识库，查看文档解析和切分结果是否准确。
3. 尝试用同一个问题直接问 LLM（不经过 RAG），对比答案。		1.优化检索：尝试启用“混合检索”或调整检索阈值。
2.优化文本处理：换用“深度解析”，调整“切分大小”和“重叠大小”，尝试“语义切分”。
3.优化提示词：在应用配置中修改提示词模板，加入更明确的指令。
4.升级 LLM：更换更强大的模型。
回答不引用文档，凭空生成（幻觉）提示词未强制要求引用，或检索结果为空时 LLM 自行发挥。检查应用配置中的提示词模板，是否包含了类似“请根据以下上下文回答”和“如果上下文不包含相关信息，请说不知道”的指令。修改提示词模板，强化基于上下文回答的指令，并设置无相关上下文时的回复策略。

8. 生产环境最佳实践与高级调优

当你完成初步验证，准备将 RAGflow 用于更严肃的场景时，需要考虑以下方面。

8.1 部署架构优化

  • 分离数据库与存储：生产环境不建议使用 Docker Compose 将所有服务（PostgreSQL, Redis）放在一起。应考虑将 PostgreSQL、Redis 甚至向量数据库（如 Milvus 集群）部署在独立的、可扩展的服务上，并在.env中配置对应的连接地址。
  • 资源隔离与监控：为 RAGflow 容器配置 CPU 和内存限制，并使用 Prometheus、Grafana 等工具监控其性能指标。
  • 高可用：考虑对无状态的服务（如 RAGflow 本身）进行多副本部署，并通过负载均衡器接入。

8.2 知识库管理策略

  • 分库管理：不要将所有文档塞进一个知识库。根据业务领域、部门或文档类型创建不同的知识库，这样便于权限管理和检索精度优化。
  • 版本控制：当文档更新时，RAGflow 需要重新处理整个文档。建立文档更新流程，可以考虑在非高峰时段进行批处理。
  • 定期优化：根据问答日志分析 Bad Case，定期回顾和调整知识库的解析、切分参数，或更新停用词表。

8.3 效果调优进阶

  1. 嵌入模型选型：BAAI/bge-large-zh-v1.5在中文任务上效果通常优于 small 版本，但需要更多计算资源。可以尝试在 Hugging Face 上寻找更适合你领域（如法律、医疗）的微调嵌入模型。
  2. 重排序模型：启用重排序（如bge-reranker-large）可以显著提升 top-k 片段的质量，尤其对于混合检索的结果融合至关重要，虽然会略微增加响应延迟。
  3. 提示词工程：精心设计提示词模板。包括：
    • 系统指令：明确助手的角色和回答规范。
    • 上下文放置：清晰地标注出上下文片段的起止。
    • 引用格式：规定回答中如何引用来源（如【文档1，第3段】）。
    • 拒答指令：当检索结果相关性低于某个阈值时，要求模型拒绝回答或明确告知信息不足。
  4. 检索策略混合：充分利用 RAGflow 的混合检索。对于专业术语多的领域，可以适当提高全文检索的权重。

8.4 安全与权限

  • API 密钥管理：切勿将.env文件提交到代码仓库。使用 Docker Secrets 或专门的密钥管理服务。
  • 访问控制：利用 RAGflow 内置的用户/角色权限功能，严格控制不同用户对知识库和应用的访问、上传、删除权限。
  • 内容审核：对于对外服务的应用，考虑在 LLM 输出前后加入内容安全过滤层。

9. 总结：RAGflow 在 RAG 技术栈中的位置与你的下一步

通过以上从部署到实战的完整流程，我们可以看到，RAGflow 成功地将构建 RAG 应用从一项复杂的“系统工程”简化为一个相对清晰的“配置任务”。它最大的价值在于提供了一体化的解决方案和可视化的调试能力，让你能聚焦于业务数据和效果优化，而非底层管道搭建。

与直接使用 LangChain 等框架相比，RAGflow 更适合追求快速上线、稳定效果和降低运维成本的场景。而如果你需要极度定制化的流水线或最新的实验性功能，底层框架可能更灵活。

你的下一步行动建议：

  1. 完成一次端到端体验：严格按照本文步骤，在本地或测试环境用一两个 PDF 文档跑通全流程，感受每个环节。
  2. 进行效果对比实验：准备一组标准问题，分别用不同配置（如快速解析 vs 深度解析，不同切分大小，是否启用重排序）测试答案质量，找到最适合你文档类型的配置。
  3. 探索集成与扩展：阅读 RAGflow 的 API 文档，尝试将其对话能力通过 API 集成到你自己的业务系统中。
  4. 关注社区与更新：RAGflow 作为一个活跃的开源项目，迭代很快。关注其 GitHub 仓库，了解新特性（如对多模态文档、Agent 功能的支持）。

构建一个高质量的私有知识库并非一蹴而就，RAGflow 提供了优秀的起点和强大的工具。真正的挑战和价值，在于如何利用好这个工具，持续地优化你的数据（文档质量）和配置（处理流程），使其成为你业务中不可或缺的智能核心。现在，你可以关闭这篇教程，打开终端，开始构建你的第一个 RAGflow 知识库了。

http://www.cnnetsun.cn/news/3808969.html

相关文章：

  • Codex Agent 进阶指南：线程上下文与 Skill 机制解锁 AI 编程助手
  • Python实战临床预测模型：三天掌握数据清洗、逻辑回归与模型评估全流程
  • 上下文管理——Agent 的「工作记忆」
  • 使用Cheat Engine修改《植物大战僵尸》游戏数据的完整指南
  • AIGC检测到底准不准？2026年主流检测系统深度实测
  • Spring框架核心原理与实战技巧详解
  • 5步搞定Windows安卓应用安装：APK Installer新手完全指南
  • 终极Zotero插件市场指南：在Zotero内部一站式管理所有插件
  • KEGG通路富集分析可视化：气泡图与桑基图组合方案详解
  • AI自动生成Git Commit信息：提升团队协作效率
  • 直播带货选品策略：视觉化改造与场景化包装
  • 太阳能充电器扩展板设计全解析：从MPPT到锂电池安全供电
  • UE5 GameFeature插件系统详解：Lyra框架的模块化设计与实战配置
  • Java反射、枚举与Lambda表达式核心技术解析
  • C# WinForm数据持久化实战：从JSON到SQLite的架构设计与实现
  • Excel VLOOKUP进阶：用COLUMN与MATCH实现动态列引用与智能匹配
  • 开源机器人Reachy Mini：模块化设计与ROS开发实践指南
  • Python机器学习全流程：从环境配置到生产部署
  • SpringBoot3+Vue3酒店管理系统全栈开发实战
  • 离线环境PyTorch CPU到GPU迁移：版本匹配、依赖下载与安装验证全指南
  • VSG不平衡电网下的PR控制策略与Simulink实现
  • Imaris V10.1显微三维图像分析软件功能与配置指南
  • 计算机视觉中的数据清洗与基础特征化
  • 计算机网络物理层习题精解：香农公式、编码与传输介质全攻略
  • [Android ] 【TV】BBTTVV -纯净B站第三方TV版+最高支持4 K
  • Flutter在OpenHarmony上的任务列表开发实践
  • AI写作不是写，是编排：揭秘顶级内容团队严守的“三级大纲验证法”——错过即降质
  • 【导弹】基于matlab多导弹协同模拟【含Matlab源码 15916期】
  • 华为三折折叠屏手机技术解析与仿生铰链设计
  • 每日关注简报｜2026年8月2日：Agent 上下文、Windows Insider、npm 安全与芯片市场