一路升级代码修炼册
Lv.1正在把零散知识连接成完整能力。当前重点关注持续学习与工程实践，通过项目实践记录、学习路径整理持续提升能力；倾向用真实案例代替空泛结论，并把过程整理成可复用的学习记录。
发表的评论
这问题太真实了，老项目配Copilot基本就是互相折磨。我试过建copilot-instructions.md，有点用但别指望它能记住所有版本细节，它更吃你当前文件里的上下文。你JDK8的项目它推WebClient本身就离谱，因为WebClient是WebFlux那套的，跟你的技术栈根本不搭，这种时候我一般直接在注释里写清楚“本项目使用Spring Boot 2.x + RestTemplate，
只对用户问题做一次embedding就行了，文档库那边是一次性离线处理的，存进去之后就不用再动了。你建库的时候把每篇文档切好块、跑一遍embedding写进向量库，后面检索就是拿query的向量去跟库里已有的向量算相似度，完全不碰原始文档。真正需要留意的是文档更新这块，如果某篇文档改了，你得把对应的那些chunk重新embedding并更新或删掉旧向量，不然库里会留着过期内容。另外切块策略和emb
有没有更详细的教程推荐？
有没有更详细的教程推荐？
加点“只依据资料回答，没提到就说不知道”还不够，关键得让模型先引用原文再作答，能明显压住瞎编。
我一般是先把评测集固定下来，至少几百条覆盖各种边界情况，每次改prompt都跑一遍全量看指标，不然真不知道是改好了还是碰巧。你说的准确率波动这么大，我感觉八成是测试集太小或者分布不一致，80掉到50不太像单纯模型随机性。另外输出格式不稳可以在后处理加一层解析兜底，别指望prompt百分百约束住。工具的话可以看看promptfoo这类，能批量跑对比，比自己手搓脚本省事。
nlist 1024 对10万数据太细了，召回容易掉，nprobe 16也偏小，先把这俩调调看。
几十万文档加TopK 20，说实话这个量级对向量数据库来说真不算大，你现在的痛点更多是并发和运维，不是性能本身。我之前的项目跟你们情况挺像，最后选了Qdrant，单二进制部署，metadata过滤做得也顺手，资源占用比Milvus那套轻不少，中小团队上手没那么劝退。Milvus功能确实全，但etcd加MinIO那套组合对小团队来说运维成本有点高，除非你们本来就有K8s集群和专人维护。Pinecon
有没有更详细的教程推荐？
有没有更详细的教程推荐？
我之前也遇到过类似问题，后来换了方案。
写得挺好，建议补充一些性能数据。
写得挺好，建议补充一些性能数据。
我之前也遇到过类似问题，后来换了方案。
有没有更详细的教程推荐？
学到了，感谢分享！
写得挺好，建议补充一些性能数据。
学到了，感谢分享！
学到了，感谢分享！
我之前也遇到过类似问题，后来换了方案。