企业官网建设流程全解析

一周总结

python语法

字符串

• 分割：传入分隔字符，返回分割后的字符串列表。分隔符不能是空字符串（''）

str='str_1_2_name'str_list=str.split('_')# str_list:['str','1','2','name']

• 拼接：用拼接字符调用，传入字符串或字符串列表，返回拼接好的字符串

str_list=['str','1','2','name']str_join='|'.join(str_list)# str_join:'str|1|1|name'

字典

• obj = dict()，创建一个空字典
• obj.get(key)，通过key获取对应的value，没有则返回None
• obj[key]，访问key对应的value，没有时报错。
• obj.update(dict)，把字典dict的键值对加入到obj中，重复的key会覆盖value
• obj[key] = new_value，直接修改key对应的value，key没有对应的value会报错
• del obj[key]，快捷删除键值对
• json_str = json.dumps(obj)，把字典序列化为json文本
• json.loads(json_str)，反序列化

同步CURD

动态查询

• 构建条件列表，初始值赋True(可以不赋)，在查询时用*解包

condition=[True]if[条件表达式]:condition.append([where子句])###query=db.query([表]).\filter(*confition).all()

修改

• 通过查询结果直接改值

query=db.query([表]).filter().first()query.[字段]=[值]

异步CURD

动态修改

• 构建修改列表，无初始值，查询时直接传入

condition={}if[条件表达式]:condition[key]=value###awaitdb.execute(update([表]).\ where(···).\ values(condition))

RAG系统

多轮对话

RAG系统的核心是根据用户提问检索向量库，用相似度最高的几个文档切片做成提示模板喂给LLM模型，即把用户的提问优化后再交给LLM。

• RAG无法实现分角色（system,user,assistant）的对话历史功能。设置了system后会导致LLM每次都按照固定的设定回答，相当于顶替了RAG喂给LLM的提示模板
• 通过在提示模板中添加对话历史，执行单轮对话方法，可以实现伪多轮对话。对应的，在检索向量库时需要使用携带对话历史的检索词。
• 对话历史的存储简单的实现可以直接用RAG实例的成员属性来缓存，每个RAG实例的对话历史都是新的。
• 对话历史的进一步存储可存储在Redis中，用户登录时RAG取出用户对应的对话历史。
• 持久化需要把对话历史存储在本地或云端。

业务需求实现

本周任务已全部完成

支付宝接口

完成了通用辅助接口的测试，对业务需求的两个接口还在看文档，之后总结在一起