本地RAG知识库问答系统实战：小白也能轻松上手大模型，含收藏功能！-尧图网站建设

本文介绍一个可直接运行的本地RAG知识库问答系统，使用Python、Streamlit构建Web页面，整合LangChain文本切分、ChromaDB向量库及Ollama本地大模型。系统支持TXT、Markdown、PDF文档，切分向量化后存入库，用户提问时检索Top-K片段并生成答案，同时展示引用来源。项目适合作为AI项目实战，无需训练模型或大量数据，可扩展性强，适合课程设计、企业知识库原型等，提供完整源码和运行方式。

1.为什么要做本地 RAG 知识库问答系统

很多同学第一次接触大模型项目时，容易把项目理解为“调用一个聊天接口，然后让模型回答问题”。这种方式可以做简单对话，但它不适合真实项目。原因很直接：大模型并不知道用户电脑里的课程资料、项目文档、企业制度、产品说明书和实验报告。如果直接问模型“这个项目有哪些功能”“这份制度怎么规定”“某个接口怎么调用”，模型只能根据已有知识进行泛化回答，结果往往不够准确，也无法给出引用依据。

RAG 的价值就在这里。它不是让大模型凭空回答，而是先从用户提供的资料中检索相关内容，再让模型基于这些资料回答。这样系统就可以把“本地私有知识”和“大模型语言表达能力”结合起来。一个典型的 RAG 系统包含两个阶段：第一个阶段是索引构建，也就是把文档解析、切分、向量化并存入向量库；第二个阶段是检索生成，也就是把用户问题向量化，在向量库中找到相关片段，再把片段作为上下文交给模型生成答案。LangChain 官方 RAG 教程也把 RAG 应用描述为面向特定来源信息进行问答的应用，核心流程正是索引、检索和生成。

本项目选择“本地 RAG 知识库问答系统”作为实战选题，主要是因为它具备几个优点。第一，它是当前大模型应用中非常常见的落地方向，技术热度高。第二，它可以用少量示例文档完成演示，不需要训练模型，也不需要标注数据。第三，它可以自然扩展出文档上传、知识库管理、引用溯源、问答历史、权限控制等功能，适合从入门项目升级为完整系统。第四，它适合写成 CSDN 技术博客，既能讲技术路线，也能展示源码结构和运行截图。

真实业务里的知识库往往来自图书馆资料、企业制度、产品手册、项目文档和归档文件。下面这张资料架实景图可以帮助读者把“文档进入知识库、被切分、被检索、再生成答案”的流程和真实资料管理场景联系起来。

2.项目最终实现效果

本项目最终实现的是一个轻量级本地知识库问答系统。用户启动 Web 页面后，可以先构建示例知识库，也可以上传自己的 TXT、Markdown 或 PDF 文档。系统会读取文档内容，切分为多个文本块，生成向量并写入向量库。之后用户在聊天框中输入问题，系统会检索相关片段，调用本地模型生成答案，并展示参考来源。

项目提供两种运行方式。第一种是 Web 界面方式，使用streamlit run app.py启动，适合截图、演示和项目展示。第二种是命令行验证方式，使用python run_demo.py --rebuild启动，适合快速检查代码是否能跑通，并自动生成结果图片。

下面是一次运行结果截图。当前截图展示的是系统在离线备用模式下的回答效果。因为当前环境没有启动 Ollama，系统没有中断，而是基于检索片段生成了结构化答案。这个设计可以保证项目在没有 GPU、没有本地模型、没有网络的情况下也能完成最小演示。

检索结果还会保存为得分图，便于在博客和项目报告中说明 Top-K 片段的相似度。实际项目中，如果发现得分最高的片段与问题无关，就应该优先调整文本切分、Embedding 模型和检索参数，而不是直接修改大模型提示词。

3.技术路线设计

本项目的技术路线可以概括为：文档进入系统后，先通过文档解析模块转换为纯文本；然后通过文本切分模块把长文本拆成多个带重叠的小片段；接着使用 Embedding 模型或离线 Hashing 方法把文本片段转换为向量；之后把向量、原文和元数据写入向量库；当用户提问时，再把问题转换为向量，在向量库中检索相似片段；最后将用户问题和检索片段拼接成 Prompt，交给 Ollama 本地模型生成回答。

项目中的核心流程如下：

本地文档 ↓文档解析 document_loader.py ↓文本切分 text_splitter.py ↓Embedding 向量化 embedding_service.py ↓向量库存储 vector_store.py ↓用户问题 ↓Top-K 语义检索 ↓Prompt 拼接 ↓Ollama 本地大模型 ↓答案生成 + 引用来源展示

这里需要强调一个工程细节：为了保证源码包可以直接运行，项目没有把 ChromaDB 和 BGE 模型作为唯一依赖，而是设计了自动降级机制。默认配置中vector_store_backend为auto，系统会优先尝试 ChromaDB，如果当前环境没有安装 ChromaDB，就使用本地 JSON 向量库。Embedding 默认使用离线 Hashing 后端，不需要下载权重。如果用户安装requirements_full.txt，就可以切换到 ChromaDB + BGE 中文 Embedding 的完整模式。

这种设计并不是降低项目含金量，而是为了提升交付稳定性。很多课程设计和项目演示环境无法保证网络稳定，也可能没有 GPU。如果一个项目必须先下载几个 GB 的模型才能启动，就很容易在演示时失败。本项目把“能跑通”放在第一位，同时保留完整 RAG 技术栈的扩展入口。

4.项目目录结构

源码包目录结构如下图所示。

完整目录如下：

local_rag_knowledge_base/├── blog.md├── README.md├── requirements.txt├── requirements_full.txt├── app.py├── run_demo.py├── run.bat├── run.sh├── configs/│ ├── config.yaml│ └── config_chroma_bge.yaml├── src/│ ├── document_loader.py│ ├── text_splitter.py│ ├── embedding_service.py│ ├── vector_store.py│ ├── ollama_client.py│ ├── rag_pipeline.py│ ├── visualization.py│ └── utils.py├── demo_data/│ ├── project_intro.md│ ├── course_design.txt│ ├── product_manual.md│ └── rag_notes.md├── vector_db/├── weights/│ └── README_WEIGHTS.md├── images/│ ├── figures/│ └── results/├── outputs/├── docs/└── tests/

这个目录结构是按照项目交付思路设计的。src中存放核心代码，configs存放配置，demo_data存放示例文档，weights存放模型下载说明，images存放博客插图和运行截图，outputs存放运行结果，docs存放项目设计说明和常见问题。这样发布到 CSDN 或作为课程设计交付时，读者可以很快看懂项目内容。

5.环境安装与快速启动

项目推荐使用 Python 3.10 到 3.12。核心演示脚本只依赖少量库，Web 页面需要 Streamlit。进入项目目录后可以执行：

python -m venv .venv

Windows 环境：

.venv/Scripts/activatepip install -r requirements.txtpython run_demo.py --rebuildstreamlit run app.py

Linux 或 macOS 环境：

source .venv/bin/activatepip install -r requirements.txtpython run_demo.py --rebuildstreamlit run app.py

如果希望启用完整的 ChromaDB、LangChain 和 BGE 中文 Embedding，可以安装：

pip install -r requirements_full.txt

然后将configs/config_chroma_bge.yaml中的配置复制到configs/config.yaml，或者在二次开发时传入该配置文件。

Ollama 模型需要单独安装。建议初次演示使用轻量模型：

ollama pull qwen2.5:0.5bollama run qwen2.5:0.5b

如果没有安装 Ollama，运行python run_demo.py --rebuild依然会成功。此时系统会输出used_llm: false，表示没有调用本地大模型，而是使用离线备用回答。这个结果对于课程设计和博客演示是有价值的，因为它证明了项目的文档解析、切分、向量化、检索和引用展示流程已经跑通。

6.配置文件说明

项目的默认配置文件是configs/config.yaml：

rag: chunk_size: 420 chunk_overlap: 80 top_k: 4 vector_store_backend: auto collection_name: local_rag_docsembedding: backend: hashing model_name: BAAI/bge-small-zh-v1.5 dimension: 384ollama: enable: true base_url: 你的本地 Ollama 地址 model: qwen2.5:0.5b timeout: 60

chunk_size控制文本块长度，chunk_overlap控制相邻文本块之间的重叠字符数。对于中文资料，初始可以设置在 400 到 800 之间。如果文档段落较长，可以适当增大；如果检索结果经常混入多个主题，可以适当减小。top_k控制每次检索返回多少个片段，默认返回 4 个。返回片段太少可能缺少上下文，返回片段太多可能把无关内容塞给模型。

vector_store_backend支持三个值：auto、chroma和simple。auto是默认模式，优先使用 ChromaDB，失败后使用 JSON 向量库；chroma会强制使用 ChromaDB；simple会强制使用 JSON 向量库。对于第一次运行，建议使用默认值。

embedding.backend默认为hashing，这是一个离线向量化方案，不需要下载模型文件，适合快速演示。如果需要更好的中文语义检索效果，可以使用sentence_transformers，并设置模型为BAAI/bge-small-zh-v1.5。

7.文档解析模块实现

文档解析模块位于src/document_loader.py。它主要负责把不同格式的文件读取成统一的LoadedDocument对象。对象中包含文档来源、文本内容和元数据。元数据会在后续写入向量库，并在回答时展示为引用来源。

项目支持 TXT、Markdown 和 PDF。TXT 与 Markdown 可以直接按编码读取。PDF 使用pypdf解析，如果遇到扫描版 PDF 或解析失败，系统会给出提示，而不是直接崩溃。这样做符合项目交付要求：即使某个文档解析失败，用户也能知道问题在哪里。

核心设计如下：

@dataclassclass LoadedDocument: source: str text: str metadata: Dict[str, Any]

实际项目中，文档解析模块是 RAG 系统的第一道质量关。如果文档读取出来就是乱码、空文本或大量无意义换行，后面的向量检索和模型回答都会受到影响。因此在项目中加入normalize_text函数，对多余空格、多余空行和换行符进行清洗，是很有必要的。

8.文本切分模块实现

文本切分模块位于src/text_splitter.py。项目优先尝试使用 LangChain 的RecursiveCharacterTextSplitter，如果本机没有安装 LangChain 文本切分包，就自动使用纯 Python 的 fallback 切分器。

文本切分是 RAG 项目中非常关键的部分。不能把整篇长文档直接存成一个向量，因为长文本会混合太多主题，检索时很难精确命中。也不能把文本切得太碎，因为过短的片段缺少上下文，模型很难生成完整回答。因此项目中使用chunk_size和chunk_overlap两个参数来控制切分效果。

chunk_overlap的作用是让相邻片段之间保留少量重叠内容。例如一个说明跨越了两个段落，如果完全硬切开，检索到其中一个片段时可能缺少前后文。加入重叠后，片段之间有一定连续性，回答质量会更稳定。

切分后的文本块会被包装成TextChunk：

@dataclassclass TextChunk: id: str content: str metadata: Dict[str, Any]

其中metadata中会保留文件名、原始路径、片段编号和预览文本。这些信息后续会用于引用溯源。

9.Embedding 向量化模块实现

Embedding 模块位于src/embedding_service.py。项目提供两个后端：一个是离线 Hashing Embedding，一个是 Sentence-Transformers Embedding。

离线 Hashing Embedding 的优点是完全不需要模型文件，也不需要联网下载。它会把中文字符、中文双字片段、英文单词和数字映射到固定维度向量中，并进行归一化。这个方案不是生产环境中最强的语义向量方案，但足以完成小型演示和项目验收，尤其适合交付包在当前环境中自测。

如果希望获得更好的中文语义检索效果，可以启用BAAI/bge-small-zh-v1.5。它是常见的中文 Embedding 模型，适合中文知识库问答、相似度检索和文档召回。启用方式是在配置中设置：

embedding: backend: sentence_transformers model_name: BAAI/bge-small-zh-v1.5

然后安装完整依赖：

pip install -r requirements_full.txt

在实际项目中，Embedding 模型往往比大模型更直接影响“能不能检索到正确片段”。如果检索片段不对，大模型再强也只能基于错误上下文回答。因此调试 RAG 系统时，要先看检索结果，再看生成结果。

10.向量库模块实现

向量库模块位于src/vector_store.py。项目支持 ChromaDB 和 JSON 向量库两种模式。ChromaDB 是正式的向量数据库方案，适合保存向量、元数据和文本内容，也便于后续扩展过滤、增量更新和多集合管理。JSON 向量库是为了保证项目在没有安装 ChromaDB 的环境中也能运行，它会把文本块、向量和元数据保存到vector_db/simple_index.json。

默认配置为：

vector_store_backend: auto

在 auto 模式下，系统会尝试创建 ChromaDB 持久化客户端。如果失败，就输出提示并切换为 JSON 向量库。这样读者第一次运行项目时，不会因为 ChromaDB 依赖问题卡住。

检索时，JSON 向量库使用余弦相似度计算问题向量与文本块向量之间的相似程度，然后返回得分最高的 Top-K 片段。ChromaDB 模式下，则调用 Chroma 的查询接口返回相关片段。两种模式对上层 RAG Pipeline 暴露同样的query方法，因此 Web 页面和命令行脚本不需要关心底层使用的是哪种存储。

11.Ollama 本地模型调用

Ollama 调用模块位于src/ollama_client.py。项目通过 HTTP 请求访问本地 Ollama 服务，默认地址是：

本地模型服务地址

请求体中包含模型名称、Prompt、是否流式输出和生成参数。为了让代码更容易运行，本项目默认关闭流式输出：

payload = { "model": self.model, "prompt": prompt, "stream": False, "options": { "temperature": 0.2, "num_predict": 800, },}

temperature设置得比较低，是为了让模型回答更稳定。RAG 问答系统不需要模型发挥太多想象力，而是希望它忠实根据资料回答。Prompt 中也明确要求“只依据给定资料回答，如果资料不足，请说明不足，不要编造”。

如果 Ollama 没有启动，generate方法会返回错误信息，而不是抛出异常导致主程序退出。上层 Pipeline 会检测是否生成成功，如果失败就调用离线备用回答函数。这个设计让项目在演示时更稳。

12.RAG Pipeline 核心逻辑

项目核心逻辑位于src/rag_pipeline.py。LocalRAGPipeline负责组织所有模块，包括读取配置、创建 Embedding 服务、创建向量库、构建索引、检索片段、拼接 Prompt、调用 Ollama 和保存问答历史。

构建索引的主要流程是：

documents = load_documents(resolved)chunks = split_documents( documents, chunk_size=int(self.rag_cfg.get("chunk_size", 420)), overlap=int(self.rag_cfg.get("chunk_overlap", 80)), use_langchain=True,)vectors = self.embedding.embed_texts([c.content for c in chunks])self.store.add_chunks(chunks, vectors)

回答问题的主要流程是：

contexts = self.search(question, top_k=top_k)prompt = self.build_prompt(question, contexts)answer, used_llm, status = self.ollama.generate(prompt)if not answer: answer = self.fallback_answer(question, contexts)

这里最重要的是build_prompt。它会把检索到的资料片段按照[资料1]、[资料2]的格式拼接起来，并告诉模型回答必须忠于资料。Prompt 的质量会直接影响模型是否愿意引用资料、是否会胡编、是否会在资料不足时明确说明不足。

项目还会把每次问答保存到：

outputs/chat_history.jsonoutputs/latest_result.json

这两个文件既可以用于调试，也可以用于项目报告截图和结果分析。

13.Streamlit Web 页面实现

Web 页面位于app.py。Streamlit 很适合这种项目演示，因为它可以用较少代码实现侧边栏、文件上传、按钮、聊天输入框、结果展示和下载按钮。页面左侧是参数配置区，用户可以设置 Ollama 模型名称、Top-K 数量，上传文档或构建示例知识库。页面主体是聊天区，展示用户问题、系统回答和引用片段。

核心交互包括：

uploaded_files = st.file_uploader( "上传 TXT / MD / PDF 文件", type=["txt", "md", "markdown", "pdf"], accept_multiple_files=True,)

以及聊天输入：

question = st.chat_input("请输入关于文档的问题")

当用户点击“构建示例知识库”时，系统会调用：

pipeline.build_index(["demo_data"], reset=True)

当用户输入问题时，系统会调用：

result = pipeline.answer(question, top_k=top_k)

然后把result["answer"]显示为回答，把result["retrieved"]展示为引用片段。引用片段中包含文件名、相关度和原文片段，方便用户判断答案依据。

14.命令行验证脚本

为了满足项目交付和自测要求，源码包中提供了run_demo.py。这个脚本的作用不是替代 Web 页面，而是让用户在任何环境下都能快速验证项目是否可运行。

执行命令：

python run_demo.py --rebuild

脚本会自动完成以下步骤：

1. **读取 demo_data 示例文档2. 构建向量索引3. 提出默认问题4. 检索 Top-K 片段5. 调用 Ollama 或离线备用回答6. 保存 latest_result.json7. 生成流程图、结构图、运行结果图和检索得分图8. 输出 validation_report.json**

运行后可以看到：

[OK] Result images saved to images/results/. Validation report saved to outputs/validation_report.json.

这些输出来自项目运行流程，便于读者复现知识库导入、检索得分和问答结果。

15.运行结果分析

本项目内置的默认问题是：

这个项目适合哪些课程设计场景？

系统会在示例文档中检索到course_design.txt、project_intro.md和product_manual.md中的相关片段。这些片段说明项目适合人工智能导论、自然语言处理、Python Web 开发、大数据应用实践、软件工程课程设计、毕业设计原型验证等场景，也说明项目包含文档上传、文本解析、文本切分、向量化、向量库存储、问题检索、答案生成和引用片段展示等功能。

在离线备用模式下，回答会比较结构化，重点是把检索到的片段列出来，并给出综合说明。在 Ollama 模式下，回答会更自然，可以根据上下文组织成更完整的中文段落。两种模式的共同点是都会展示引用来源。

如果你在自己的电脑上启动了 Ollama，并下载了qwen2.5:0.5b，运行结果中的used_llm会变成true。如果是false，说明项目没有调用成功本地模型，但检索流程仍然正常。

16.常见问题与解决方法

第一个常见问题是 Streamlit 未安装。如果运行streamlit run app.py报错，执行：

pip install -r requirements.txt

第二个常见问题是 Ollama 未启动。此时系统会显示 Ollama 调用失败，但不会影响离线演示。解决方式是先安装 Ollama，然后执行：

ollama pull qwen2.5:0.5bollama run qwen2.5:0.5b

第三个常见问题是 ChromaDB 安装失败。默认配置下不需要强制解决，因为系统会自动切换为 JSON 向量库。如果你确实需要 ChromaDB，可以安装完整依赖：

pip install -r requirements_full.txt

第四个常见问题是 PDF 解析为空。很多扫描版 PDF 不包含可提取文本，需要 OCR 才能读取。当前项目没有内置 OCR，建议先使用可复制文字的 PDF，或者把文档另存为 TXT/Markdown。

第五个常见问题是回答看起来不准确。此时不要先怀疑模型，而应该先打开outputs/latest_result.json，检查retrieved字段。如果检索片段不相关，应该调整 chunk 参数或换用 BGE Embedding；如果检索片段正确但回答偏离，才需要优化 Prompt 或更换更强的 Ollama 模型。

17.项目扩展方向

这个项目可以继续向多个方向扩展。第一个方向是支持更多文档格式，例如 DOCX、PPTX、Excel、HTML 和网页链接。第二个方向是增加多知识库管理，让用户可以为不同课程、不同项目或不同企业部门建立独立知识库。第三个方向是加入数据库，把用户、文档、知识库、问答历史和权限信息保存起来。第四个方向是加入混合检索，把关键词 BM25 检索和向量检索结合起来，提高专业术语和编号类问题的命中率。第五个方向是加入 rerank 模型，对召回片段二次排序，提高最终上下文质量。

如果要做成更完整的系统，可以把 Streamlit 替换为 FastAPI + Vue 或 Flask + Bootstrap。后端负责文档解析、索引构建和问答接口，前端负责知识库管理、聊天界面和引用展示。这样项目就可以从课程设计升级为企业知识库原型。

如果要做论文或算法改进，可以围绕 chunk 策略、Embedding 模型对比、Top-K 参数、rerank 模型、Prompt 模板和检索评价指标展开实验。例如比较 Hashing Embedding、BGE-small-zh、BGE-base-zh 在同一批问题上的召回效果，统计 Top-1、Top-3、Top-5 命中率，并分析回答质量。

大模型的知识又多又杂，到底怎么学？

做这行久了，被问最多的问题就一个：大模型的知识又多又杂，我到底先学啥？翻了一堆资料，看啥都像重点，结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍，零基础、应届生、转行的都适用。跟着走，至少方向不乱、不瞎忙，学完拿得出手。

第一阶段（10天）：初阶应用

这一阶段就一个目标：把大模型真正"玩明白"，不是只会聊天那种，而是能调教它、能用代码把大模型和业务接起来。

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

这阶段正式进实战，目标很实在：做出两个能拿出手的东西——一个私有知识库，一个 agent 对话机器人。

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
…

走完这 30 天，Python 或 JavaScript 背景的基本能独立做一套 RAG 应用，简历上也敢写"大模型应用开发"了。

第三阶段（约20天）：动手微调

学到这，你已经开始 “造” 模型了 —— 通过微调，搞出垂直领域的专用小模型。

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
…

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。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗？

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！

第四阶段（20天）：商业闭环，部署落地

技术学完，落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。

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
…

想要入坑大模型的朋友，给大家准备了一份2026 年最新 AI 大模型全套学习资料：

1、大模型系统化学习路线

2、大模型学习视频教程

3、大模型学习书籍&电子文档

4、AI大模型最新行业报告

5、大模型项目实战&配套源码

6、2026大模型大厂面试真题

7、为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

8、适合谁学？

传统后端 / Java / 前端开发，想转型 AI 应用
大学生、应届生，想拿更好的 offer
产品经理、运营，想武装职业竞争力
技术负责人，想给团队落地提效

学习是反人性的，但回报是真金白银。技术会更新，赛道会切换，但只要你先动手，机会就永远站在你这边。

9、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。