这个方案的一个重点是支持知识库的功能（RAG）
假如对话的时候需要加入特别多的文件作为上下文，那么网页端可能是不够的（第一，不支持超大文件；第二，不支持超多文件）
比如一个用例是，假如自己存了某个领域上百篇论文，需要大语言模型对多篇论文对某个细节进行解释。这个时候将所有的文件都导入网页端是不太现实的。
而使用cherry studio，建立好知识库之后，对话时会通过语义检索资料中最相关的上下文片段并发送给模型，这个时候就能满足多文件、大文件的AI对话需求。
9 个赞
太强了，前几天刚刚下了Cherry Studio使用，等知识库构建完了试下这个Prompt
不过我之前知识库导入md文件一直失败，不知道是cherry的问题还是啥，还在处理转成其他文件尝试
3 个赞
我导入md也很容易失败 转为txt并清理特殊字符会好一点
看到cherry项目的issue里作者提到还没有过滤特殊字符 所以md文件里包含特殊字符的时候就容易建立索引失败
3 个赞
mark
1 个赞
嗷嗷 明白了 
1 个赞
没有特别细地去统计 但看后台数据基本都是命中的
2 个赞
应该是chain-of-thought（思维链）
4 个赞
mark mark
1 个赞
mark
感谢指出，我那会刚好跟TOT搞混了
rag知识库 0-60分 现在搭起来 确实方便太多了 各大厂商都支持挺好的
后续想达到 60-99分 使用效果 还是要做很多额外工作的
1 个赞
mark !
很好的教程，先mark后学！
先mark
这是什么意思
试了一下其他模型回答是容易出现乱码以及回答质量下降，这个提示词是专门适配deepseek与claude吗
算是的，因为github原作标题就是写著给claude用
太强了佬，先码住
很不错 先收藏了 后面详细用一下
