提升RAG应用性能：使用智谱AI的GLM-4和Embedding-3模型优化文档检索

文章预览

回顾 上文  提速 RAG 应用：用 DeepSeek API 替换本地 Ollama 模型，LlamaIndex 实战解析 我们介绍了如何通过 DeepSeek 的 API 调用 DeepSeek v2.5 模型 替换通过 Ollama 调用本地下载好的 Qwen2.5 模型。 这样做的目的是想通过 API 调用远程部署好的 LLM 给我们的 RAG 应用提提速。不然由于本地个人电脑计算资源的不足（我的电脑没有 GPU）会导致 RAG 应用运行缓慢。 在我们的 RAG 应用中分别使用了两个模型 ，一个是 embedding 模型，它的作用有这么几点： 文档嵌入（Document Embedding） 表示文档 ：将文档转换为高维向量（embeddings），这些向量能够捕捉文档的语义信息。 相似度计算 ：通过计算查询和文档嵌入之间的相似度，找到与查询最相关的文档。 查询嵌入（Query Embedding） 表示查询 ：将用户的查询转换为高维向量，这些向量能够捕捉查询的语义信息。 检索相关文档 ………………………………