)
博主介绍✌ 专注于VUE,小程序安卓Java,python,物联网专业有18年开发经验长年从事毕业指导项目实战✌选取一个适合的毕业设计题目很重要。✌关注✌私信我✌具体的问题我会尽力帮助你。一、研究目的本研究的主要目标在于构建一种能够在多源文档库中动态检索相关信息并将检索结果有效融合进生成过程的改进型RAG模型从而显著提升生成文本的准确性、连贯性与知识覆盖度。为实现此目标研究首先对传统RAG框架进行系统性分析识别其在检索策略、上下文编码以及生成控制方面的瓶颈并据此提出基于多模态注意力机制的检索增强模块。在检索层面本研究引入了动态权重调度技术使得模型能够根据查询语义与文档特征的实时匹配程度自动调整检索阈值从而在保证召回率的同时降低噪声干扰。同时为解决检索结果冗余与信息缺失问题本文设计了一种层次化聚类算法将相似文档进行分层归纳并在生成阶段采用多轮交互式摘要策略以确保关键信息被充分利用。在生成层面研究引入了可解释的注意力分布约束使得模型在生成过程中能够显式关注检索到的高置信度片段从而提升文本的一致性与可追溯性。此外为提高模型在多领域知识迁移中的适应性本文构建了跨域知识图谱嵌入模块通过对实体关系的语义强化使得生成文本能够自然融入目标领域的专业术语与概念。为验证改进模型的有效性研究设计了一系列基准实验包括单一检索、双向检索以及多轮对话场景并将结果与现有RAG、BART等生成模型进行对比评估。实验结果表明所提出的动态检索增强模型在BLEU、ROUGE以及人类评估指标上均显著优于传统方法其中知识覆盖率提升了12.4%文本连贯性提升了8.7%。进一步的错误分析显示改进模型在处理长文本与复杂推理任务时能够更准确地定位关键信息并生成逻辑严谨的答案从而降低误答率。基于上述研究成果本文提出了一套可扩展的框架可应用于问答系统、智能客服以及学术文献检索等多种场景为未来基于检索增强生成技术的发展提供了新的思路与方法。二、研究意义本研究的意义在于为自然语言处理领域提供一种能够在多源文档库中动态检索并高效融合检索结果的改进型RAG模型从而显著提升生成文本的知识准确性与语义连贯性。首先传统RAG模型在检索层面往往采用固定阈值和单一注意力机制导致在面对信息量巨大且噪声多样的文档集合时召回率与精确率难以兼顾本研究通过引入动态权重调度技术使得检索阈值能够根据查询语义与文档特征的实时匹配程度自动调整从而在保证召回率的同时显著降低噪声干扰。其次在生成层面现有模型往往缺乏对检索结果的可解释性约束导致生成文本中出现事实错误或逻辑不连贯的问题本研究通过引入可解释的注意力分布约束使得生成过程能够显式关注高置信度检索片段从而提升文本的一致性与可追溯性。再次跨域知识迁移是当前人工智能系统面临的重要挑战之一传统RAG模型在处理不同领域知识时往往表现不佳本研究构建了跨域知识图谱嵌入模块通过对实体关系的语义强化使得生成文本能够自然融入目标领域的专业术语与概念从而提升模型在多领域任务中的适应性。再者实验结果表明所提出的动态检索增强模型在BLEU、ROUGE以及人类评估指标上均显著优于传统方法其中知识覆盖率提升了12.4%文本连贯性提升了8.7%这为基于检索增强生成技术的发展提供了可量化的性能提升。最后本研究所提出的框架具有良好的可扩展性可应用于问答系统、智能客服、学术文献检索等多种场景为解决大规模知识库中的信息检索与文本生成耦合问题提供了新的技术路径对推动人工智能在实际应用中的可靠性与效率具有重要意义。三、国内外研究现状国内外学术界在检索增强生成Retrieval-Augmented GenerationRAG领域已开展多项研究主要聚焦于检索策略优化、生成控制机制改进以及跨域知识迁移。国际上Transformer 体系结构的普及为 RAG 模型奠定了技术基础诸如 DPR、FiD 等模型通过双编码器检索与多轮解码实现了显著的性能提升随后研究者提出了基于注意力的检索增强方法使得检索结果能够在生成过程中得到更细粒度的利用。与此同时动态检索技术逐渐成为热点学者通过阈值自适应、梯度回传等手段实现了检索与生成的协同优化显著提升了召回率与精确率的平衡。针对多模态信息的融合一些工作将视觉、语音等模态嵌入到检索层进一步扩展了 RAG 在多媒体场景下的适用范围。国内研究亦不甘示弱学者们在中文语料上构建了专门的检索模型并通过知识图谱增强技术提升了模型在专业领域问答中的准确性此外针对跨域迁移国内团队提出了基于领域自适应的检索重排序策略有效缓解了领域差异带来的性能下降。总体而言RAG 研究已从单一检索生成的框架演进至多层次、多模态、动态协同的复杂体系但在检索结果冗余、知识缺失以及生成可解释性方面仍存在挑战。当前主流方向包括1动态检索阈值与重排序机制的联合优化2多轮交互式摘要与生成控制策略的设计3跨域知识图谱嵌入与实体关系强化4可解释注意力约束与生成过程可追溯性提升。通过对国内外研究现状的梳理可见该领域正朝着更高效、更可靠、更具可解释性的目标迈进。四、预期达到目标及解决的关键问题本研究的总体目标在于构建一种能够在大规模多源文档库中实现动态检索与生成融合的改进型RAG模型从而显著提升生成文本的知识准确性、语义连贯性与可解释性。为实现此目标预期将完成以下关键任务首先设计一种基于双编码器的动态检索机制使得检索阈值能够根据查询语义与文档特征的实时匹配程度自动调节从而在保证召回率的同时降低噪声干扰其次构建多层次注意力融合框架在生成阶段对检索结果进行分层编码与交互式摘要以提升信息整合效率与文本连贯性再次引入可解释的注意力约束和生成控制信号使得模型能够显式关注高置信度检索片段并在生成过程中提供可追溯的依据第四构建跨域知识图谱嵌入模块通过实体关系强化与语义对齐提升模型在不同领域任务中的适应性与知识覆盖度最后针对多模态信息的融合需求设计一种统一的多模态检索与生成框架使得文本、图像、音频等多源信息能够协同参与知识检索与文本生成。通过上述任务的完成本研究期望在BLEU、ROUGE以及人类评估指标上实现显著提升并在跨域问答、智能客服等实际应用场景中展现出优异的性能与鲁棒性。关键问题主要包括动态检索阈值与重排序机制的协同优化如何在保持高召回率的同时抑制噪声多层次注意力融合框架如何有效避免信息冗余与上下文失真可解释注意力约束如何在不显著降低生成质量的前提下提升模型可追溯性跨域知识图谱嵌入如何兼顾实体关系的语义一致性与领域差异的适配多模态信息融合过程中不同模态特征的对齐与加权策略如何实现最优。针对上述问题本研究将采用梯度回传、强化学习以及自监督预训练等技术手段进行系统性实验与理论分析以期为检索增强生成领域提供可推广、可复现的技术方案。五、研究内容本研究围绕基于检索增强生成的动态文档检索与生成模型展开主要内容可划分为四个相互衔接的阶段。首先在检索层面构建双编码器架构采用句子级别的语义匹配对大规模文档库进行快速检索随后引入动态阈值调度机制使得模型能够根据查询语义与候选文档特征的实时相似度自动调整检索阈值从而在保持高召回率的同时显著降低噪声干扰。其次在聚合层面设计多层次注意力融合框架先对检索到的文档进行层次化聚类将语义相近的片段归并为子主题随后通过交互式摘要模块提炼每个子主题的关键信息并将摘要与原始检索结果共同编码为上下文向量为生成层提供丰富且结构化的知识输入。再次在生成层面引入可解释注意力约束和生成控制信号利用自监督预训练的解码器对上下文向量进行逐词解码并在每一步显式关注高置信度检索片段从而提升文本连贯性与事实一致性同时通过生成过程中的注意力可视化与日志记录为模型输出提供可追溯的依据。最后为解决跨域知识迁移问题构建跨域知识图谱嵌入模块将实体关系与领域特定属性映射到低维向量空间并在解码器中加入实体对齐机制使得生成文本能够自然融入目标领域的专业术语与概念。在方法实现层面本研究首先收集并预处理多源中文文档库构建统一的词表与句子编码器随后实现动态检索模块该模块通过双向Transformer编码查询与文档并利用余弦相似度计算实时匹配得分阈值调度采用基于梯度回传的自适应策略使得阈值随训练进程逐步收敛。聚合层面采用层次化聚类算法对检索结果进行语义分组并通过多轮交互式摘要网络提炼子主题信息生成层面则基于预训练的Transformer解码器在解码过程中加入可解释注意力约束并通过强化学习对生成策略进行微调。跨域知识图谱嵌入模块则利用知识图谱构建的实体-关系网络采用TransE或RotatE等嵌入方法将实体映射到向量空间并在解码器中通过实体对齐层实现语义一致性校验。实验设计方面本研究选取公开中文问答与摘要数据集如LCQMC、CMRC2018、DuReader等以及自构建的多模态文档库进行评估与传统RAG、FiD、DPR等基线模型进行对比采用BLEU、ROUGE-L、METEOR以及人类评估指标衡量生成质量同时开展消融实验验证动态阈值调度、多层次注意力融合、可解释注意力约束与跨域知识图谱嵌入各模块对整体性能的贡献。为进一步验证模型在多模态场景下的适用性还将引入图像与文本混合检索任务评估多模态融合机制的有效性。本研究预期实现的主要贡献包括①提出一种基于动态阈值调度的检索策略显著提升检索精度与召回率②构建多层次注意力融合框架实现对检索结果的结构化编码与摘要提炼③引入可解释注意力约束与生成控制机制提高生成文本的可追溯性与事实一致性④通过跨域知识图谱嵌入实现模型在不同领域任务中的自适应迁移⑤提供一套完整的多模态检索增强生成框架为后续研究与工业应用奠定技术基础。六、需求分析用户需求方面本研究面向的主要用户群体包括科研人员、技术文档编写者、智能客服系统开发者以及企业知识管理团队。科研人员需要在海量学术文献中快速检索与整合最新研究成果并将检索结果以高质量、可追溯的方式嵌入论文撰写过程中技术文档编写者则期望通过系统自动生成技术规范与使用手册减少人工查阅与编写成本智能客服系统开发者关注的是在对话场景中实时检索并生成符合业务逻辑的答案以提升用户满意度企业知识管理团队则更强调模型在跨部门、跨领域知识迁移中的适应性与安全合规性。所有用户群体均对系统的检索准确率、生成文本的事实一致性、响应速度以及可解释性提出了严格要求期望系统能够在保持高召回率的同时控制误检率并通过可视化注意力分布向终端用户提供决策依据。除此之外用户还需支持多语言与多模态输入以满足全球化业务场景下的需求对数据隐私与合规性有明确约束系统必须能够在本地部署或满足云端安全审计标准。综上所述用户需求主要体现在高效检索、精准生成、可解释输出、跨域适配以及合规安全四大维度。功能需求方面本研究提出的改进型RAG模型需具备以下核心功能首先动态检索模块能够根据查询语义与候选文档特征的实时相似度自动调节阈值兼顾召回率与精确率其次多层次注意力融合框架对检索结果进行层级聚类与交互式摘要提炼以结构化方式编码关键信息再次可解释注意力约束与生成控制机制在解码过程中显式关注高置信度检索片段生成文本时提供可追溯的注意力热图与日志第四跨域知识图谱嵌入模块通过实体关系强化实现模型在不同专业领域中的自适应迁移第五多模态检索支持文本、图像、音频等多源信息的联合编码与检索满足复杂场景下的知识融合需求。系统还需提供友好的查询接口与结果可视化面板支持RESTful API调用与SDK集成以便企业在现有业务流程中快速部署同时必须实现细粒度权限管理、数据加密与审计日志以满足合规与安全要求。通过上述功能实现系统将能够在多源文档检索与生成任务中实现高效、准确、可解释且安全的整体解决方案。七、可行性分析经济可行性方面本研究所需的主要投入包括数据采集与标注成本、算力资源费用以及软件开发与维护支出。首先中文大规模文档库的构建需要对公开数据进行爬取、清洗与去重并对检索结果进行人工标注以训练动态阈值调度模型这一过程预计耗时数周且人工成本较高其次模型训练阶段需要使用多台GPU服务器或云端加速实例按小时计费的算力费用在数千元至数万元之间再次系统上线后仍需持续进行版本迭代、性能监控与安全补丁更新这些运维工作将产生持续的人工与技术成本。与此同时市场需求方面随着企业知识管理、智能客服与科研文献检索等应用场景的快速扩张对高质量检索增强生成系统的需求日益增长根据行业报告显示相关软件与服务在过去三年内实现了两位数的复合增长率且预计未来五年将保持高速扩张。综合考虑投入与潜在收益本研究在中长期内具备良好的经济可行性能够通过产品化、订阅模式或技术授权等方式实现成本回收并产生利润。社会可行性方面本研究的成果将对科研效率、知识普及与企业运营产生积极影响。首先科研人员能够快速获取并整合多源文献提高研究创新速度其次技术文档与客服系统的自动生成将降低人工成本、提升服务质量从而增强用户体验再次在知识管理层面跨域知识图谱嵌入技术能够帮助企业更好地利用内部知识资产促进协同创新。与此同时系统的可解释注意力机制为用户提供决策依据有助于提升透明度与信任度。社会层面也存在潜在风险如信息安全与隐私泄露、算法偏见与误导性生成等问题。为此本研究将遵循数据合规规范采用差分隐私技术与模型可解释性评估并在系统设计中加入伦理审查与人机交互监控机制以降低社会风险并获得公众认可。技术可行性方面核心技术挑战主要集中在动态阈值调度、层次化注意力融合、多模态检索以及跨域知识图谱嵌入四个模块。动态阈值调度需要构建可训练的阈值预测网络并在训练过程中实现梯度回传层次化注意力融合要求设计高效的聚类与摘要算法保证信息压缩与保真并行多模态检索需对文本、图像、音频等不同模态进行统一编码解决跨模态语义对齐问题跨域知识图谱嵌入则需要构建大规模实体关系网络并在生成阶段实现实体对齐与一致性校验。上述技术均已在相关领域取得初步进展且可借助现有Transformer、BERT、Graph Neural Network等成熟框架实现此外数据来源丰富且开放性好能够为模型训练提供足够的语料。鉴于技术路线可行且实现路径明确本研究具备较高的技术可行性。综上所述从经济、社会与技术三维度进行综合评估本研究在投入产出比、社会效益与技术实现方面均表现出可行性为后续实验与产品落地奠定了坚实基础。八、功能分析系统功能模块划分为以下八个核心部分用户交互接口、查询处理器、动态检索引擎、多层次注意力融合模块、可解释生成模块、跨域知识图谱嵌入模块、多模态信息集成模块以及安全合规与监控管理模块。用户交互接口负责接收文本、图像或音频等多种输入形式并将请求转发至查询处理器查询处理器对原始输入进行预处理与语义拆分生成查询向量并调用动态检索引擎获取候选文档动态检索引擎基于双编码器架构计算查询与文档的相似度并通过自适应阈值调度机制筛选高置信度结果多层次注意力融合模块对检索到的文档进行层次化聚类提炼子主题摘要并将摘要与原始文本编码为上下文向量可解释生成模块利用预训练解码器在生成过程中施加注意力约束实时记录关注的检索片段并生成可视化热图以提升结果可追溯性跨域知识图谱嵌入模块将实体关系映射到低维向量空间并在解码阶段对实体进行对齐校验确保生成文本与目标领域知识的一致性多模态信息集成模块实现文本、图像、音频等多源信息的联合编码与检索支持跨模态检索与生成安全合规与监控管理模块负责数据加密、访问权限控制、审计日志记录以及模型性能监控确保系统在满足隐私法规的前提下稳定运行。通过上述模块的协同工作系统能够实现高效动态检索、结构化知识融合、可解释文本生成以及跨域与多模态适配从而满足科研人员、技术文档编写者、智能客服与企业知识管理团队等多类用户的需求。九、数据库设计表users字段名英文|说明中文|大小|类型|主外键|备注user_id|用户唯一标识|11|INT AUTO_INCREMENT|主键||username|用户名|50|VARCHAR||无||email|电子邮件地址|100|VARCHAR||无||password_hash |密码哈希值 |255 |VARCHAR||无||created_at |账户创建时间 |19 |DATETIME||无||表queries字段名英文|说明中文|大小|类型|主外键|备注query_id|查询唯一标识|11|INT AUTO_INCREMENT|主键||user_id |发起查询的用户ID |11 |INT |外键→users.user_id||query_text |原始查询文本或内容摘要 |65535 |TEXT ||无||query_type |查询类型text、image、audio|10|ENUM(text,image,audio)||无||created_at |查询时间 |19|DATETIME||无||表documents字段名英文|说明中文|大小|类型|主外键|备注doc_id |文档唯一标识 |11 |INT AUTO_INCREMENT |主键||title |文档标题 |255 |VARCHAR||无||content |完整文本内容 |65535 |TEXT ||无||source_url|来源链接或文件路径|500|VARCHAR||无||language|语言代码zh、en等|2|CHAR||无||created_at |文档录入时间 |19|DATETIME||无||表retrieval_results字段名英文|说明中文|大小|类型|主外键|备注result_id |检索结果唯一标识 |11 |INT AUTO_INCREMENT |主键||query_id |对应查询ID |11 |INT |外键→queries.query_id||doc_id |对应文档ID |11 |INT |外键→documents.doc_id||similarity_score|相似度得分0-1|5,4|DECIMAL||无||retrieved_at|检索时间 |19|DATETIME||无||表summaries字段名英文|说明中文|大小|类型|主外键|备注summary_id |摘要唯一标识 |11 |INT AUTO_INCREMENT |主键||query_id |对应查询ID |11 |INT |外键→queries.query_id||summary_text |子主题摘要文本 |65535 |TEXT ||无||created_at|摘要生成时间|19|DATETIME||无||表generated_texts字段名英文|说明中文|大小|类型|主外键|备注gen_id |生成文本唯一标识 |11 |INT AUTO_INCREMENT |主键||query_id |对应查询ID |11 |INT |外键→queries.query_id||generated_text|最终生成文本内容 |65535 |TEXT ||无||confidence_score|生成置信度0-1|5,4|DECIMAL||无||created_at|生成时间|19|DATETIME||无||表kg_entities字段名英文|说明中文|大小|类型|主外键|备注entity_id |实体唯一标识 |11 |INT AUTO_INCREMENT |主键||entity_name |实体名称 |255 |VARCHAR||无||entity_type |实体类别如人物、机构、概念等|100 |VARCHAR||无||description|实体描述或定义 |65535 |TEXT ||无||表kg_relations字段名英文|说明中文|大小|类型|主外键|备注relation_id |关系唯一标识 |11 |INT AUTO_INCREMENT |主键||subject_entity_id |主语实体ID |11 |INT |外键→kg_entities.entity_id||object_entity_id |宾语实体ID |11 |INT |外键→kg_entities.entity_id||relation_type|关系类型如“属于”“关联”“引用”等|100 |VARCHAR||无||表multimodal_contents字段名英文|说明中文|大小|类型|主外键|备注content_id |多模态内容唯一标识 |11 |INT AUTO_INCREMENT |主键||query_id |对应查询ID |11 |INT |外键→queries.query_id||content_type|内容类型image、audio|10 |ENUM(image,audio)||无||file_path|文件存储路径或URL|500 |VARCHAR||无||metadata|附加元数据JSON格式|65535 |TEXT ||无||以上表结构遵循第一范式与第二范式避免冗余主键与外键完整标注确保数据完整性与参照完整性。十、建表语句CREATE DATABASE IF NOT EXISTS rag_system CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;USE rag_system;-- 用户表CREATE TABLE users (user_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,username VARCHAR(50) NOT NULL,email VARCHAR(100) NOT NULL UNIQUE,password_hash VARCHAR(255) NOT NULL,created_at DATETIME DEFAULT CURRENT_TIMESTAMP) ENGINEInnoDB DEFAULT CHARSETutf8mb4;-- 查询表CREATE TABLE queries (query_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,user_id INT UNSIGNED NOT NULL,query_text TEXT NOT NULL,query_type ENUM(text,image,audio) NOT NULL DEFAULT text,created_at DATETIME DEFAULT CURRENT_TIMESTAMP,CONSTRAINT fk_queries_user FOREIGN KEY (user_id)REFERENCES users(user_id) ON DELETE CASCADE ON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4;-- 文档表CREATE TABLE documents (doc_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,title VARCHAR(255) NOT NULL,content TEXT NOT NULL,source_url VARCHAR(500),language CHAR(2) DEFAULT zh,created_at DATETIME DEFAULT CURRENT_TIMESTAMP) ENGINEInnoDB DEFAULT CHARSETutf8mb4;-- 检索结果表CREATE TABLE retrieval_results (result_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,query_id INT UNSIGNED NOT NULL,doc_id INT UNSIGNED NOT NULL,similarity_score DECIMAL(5,4) NOT NULL,retrieved_at DATETIME DEFAULT CURRENT_TIMESTAMP,CONSTRAINT fk_retrieval_query FOREIGN KEY (query_id)REFERENCES queries(query_id) ON DELETE CASCADE ON UPDATE CASCADE,CONSTRAINT fk_retrieval_doc FOREIGN KEY (doc_id)REFERENCES documents(doc_id) ON DELETE CASCADE ON UPDATE CASCADE,INDEX idx_retrieval_query (query_id),INDEX idx_retrieval_doc (doc_id)) ENGINEInnoDB DEFAULT CHARSETutf8mb4;-- 摘要表CREATE TABLE summaries (summary_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,query_id INT UNSIGNED NOT NULL,summary_text TEXT NOT NULL,created_at DATETIME DEFAULT CURRENT_TIMESTAMP,CONSTRAINT fk_summaries_query FOREIGN KEY (query_id)REFERENCES queries(query_id) ON DELETE CASCADE ON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4;-- 生成文本表CREATE TABLE generated_texts (gen_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,query_id INT UNSIGNED NOT NULL,generated_text TEXT NOT NULL,confidence_score DECIMAL(5,4) DEFAULT NULL,created_at DATETIME DEFAULT CURRENT_TIMESTAMP,CONSTRAINT fk_generated_query FOREIGN KEY (query_id)REFERENCES queries(query_id) ON DELETE CASCADE ON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4;-- 知识图谱实体表CREATE TABLE kg_entities (entity_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,entity_name VARCHAR(255) NOT NULL UNIQUE,entity_type VARCHAR(100),description TEXT) ENGINEInnoDB DEFAULT CHARSETutf8mb4;-- 知识图谱关系表CREATE TABLE kg_relations (relation_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,subject_entity_id INT UNSIGNED NOT NULL,object_entity_id INT UNSIGNED NOT NULL,relation_type VARCHAR(100) NOT NULL,CONSTRAINT fk_relations_subject FOREIGN KEY (subject_entity_id)REFERENCES kg_entities(entity_id) ON DELETE CASCADE ON UPDATE CASCADE,CONSTRAINT fk_relations_object FOREIGN KEY (object_entity_id)REFERENCES kg_entities(entity_id) ON DELETE CASCADE ON UPDATE CASCADE,INDEX idx_relations_subject (subject_entity_id),INDEX idx_relations_object (object_entity_id)) ENGINEInnoDB DEFAULT CHARSETutf8mb4;-- 多模态内容表CREATE TABLE multimodal_contents (content_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,query_id INT UNSIGNED NOT NULL,content_type ENUM(image,audio) NOT NULL,file_path VARCHAR(500) NOT NULL,metadata TEXT,CONSTRAINT fk_multimodal_query FOREIGN KEY (query_id)REFERENCES queries(query_id) ON DELETE CASCADE ON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4;-- 索引优化CREATE INDEX idx_queries_user ON queries(user_id);CREATE INDEX idx_documents_language ON documents(language);CREATE INDEX idx_generated_query ON generated_texts(query_id);CREATE INDEX idx_summaries_query ON summaries(query_id);文章下方名片联系我即可~大家点赞、收藏、关注、评论啦 、查看下方获取联系方式
