EL PSY CONGROO

1 使用一个micropython设备使用UART 通过外接设备一个micropython设备 实现repl，
读取命令到变量command上 ，按下enter后将命令通过UART发送给MPY设备，UART读取返回信息，打印。
文档编辑：将文件通过UART获取到本地，然后打开，对其修改，然后上传到设备。
那么如何通过获取文件呢？因为本设备和MPY设备有一个UART通道用于命令交互，那么如何获取文件呢？

PLAN FOR AI

1. 发代码时一次性把脚本贴进去；
2. 远端在 raw-REPL 里执行完后把 stdout+stderr 统一回传；
3. 文件内容用 uzlib + base64 流式打包，避免内存炸，也兼容二进制。

2 本地一块MIcropython设备，使用 os.dupterm() FBConsole来实现，其中命令行交互 无问题，Ctrl+c +x 之类 使用发送字符 ,
问题一：文件文本编辑需要 行字符串编辑 ，内存先全部读取，然后显示，一行，一行编辑，体验不好。

附加16进制控制符

chunk_size = 1024
chunk_overlap = 200
默认1024长度 重叠200

关键词

A whoosh+jieba 10万段 chunck 约2000篇

# pip install whoosh jieba llama-index-core llama-index-retrievers-whoosh

from llama_index.core import SimpleDirectoryReader
from llama_index.retrievers.whoosh import WhooshRetriever
from llama_index.core.query_engine import RetrieverQueryEngine

# 1. 读取文档
documents = SimpleDirectoryReader("data").load_data()

# 2. 建/载 whoosh 倒排
whoosh_retriever = WhooshRetriever(
    index_dir="./whoosh_idx",
    docs=documents,
    top_k=5
)

# 3. 纯关键词查询引擎
query_engine = RetrieverQueryEngine(whoosh_retriever)

# 4. 交互
if __name__ == "__main__":
    print("=== Whoosh 纯关键词查询 ===")
    while True:
        q = input("\n问题 (q退出): ").strip()
        if q.lower() == "q":
            break
        resp = query_engine.query(q)
        print("答:", resp)

混合查询 关键词 +向量

pip install llama-index-core llama-index-llms-ollama llama-index-embeddings-ollama

# 关键词方案二选一
pip install llama-index-retrievers-whoosh     # 路线① Whoosh

代码

vector_index = VectorStoreIndex.from_documents(documents)
//向量
from llama_index.retrievers.whoosh import WhooshRetriever

keyword_retriever = WhooshRetriever(
    index_dir="./whoosh_idx",
    docs=documents,
    top_k=5
)

//混合关键词 +向量
from llama_index.core.retrievers import QueryFusionRetriever

hybrid_retriever = QueryFusionRetriever(
    retrievers=[
        vector_index.as_retriever(similarity_top_k=5),
        keyword_retriever,
    ],
    retriever_weights=[0.7, 0.3],   # 向量权重高一点，可按场景调
    similarity_top_k=5,             # 最终只给 LLM 前 5 段
    num_queries=1,                  # 不对用户问题做改写
)

//查询
from llama_index.core.query_engine import RetrieverQueryEngine
//导入混合
query_engine = RetrieverQueryEngine(hybrid_retriever)

if __name__ == "__main__":
    print("=== 向量 + 关键词 联合召回 ===")
    while True:
        q = input("\n问题 (q退出): ").strip()
        if q.lower() == "q":
            break
        resp = query_engine.query(q)
        print("答:", resp)

SQLITE 补充 多次document插入 列表后向量化

使用列表来实现多文件插入，先读取多个文件到documents列表中 documents.extend(SimpleDirectoryReader(afile).load_data())之后再index = VectorStoreIndex.from_documents(documents)实现一次性的向量化

documents = []                       # 1. 先弄空列表
for _, afile, _ in bk:               # 2. 循环取路径
    if not os.path.isfile(afile):
        print(f'跳过不存在文件：{afile}')
        continue
    documents.extend(                # 3. 把每个文件拆出的文档追加进来
        SimpleDirectoryReader(afile).load_data()
    )

if not documents:                    # 4. 保险：确实读到东西了
    raise SystemExit('没有有效文档，无法构建索引！')

index = VectorStoreIndex.from_documents(documents)   # 5. 一次向量化

miniconda即可

conda create -n llama_factory python=3.10
conda activate llama_factory
git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git
cd LLaMA-Factory
pip install -e ".[torch,metrics]"

llamafactory-cli env             # 查看 PyTorch、CUDA、transformers 等版本  
llamafactory-cli version         # 只看自身版本号


 llamafactory-cli webui          # 默认 127.0.0.1:7860  
# 如果想让外网也能访问  
 llamafactory-cli webui --share

【夸克网盘】夸克网盘PC网页版端入口 (quark.cn)

https://www.quark.cn/

  $leaseArea = PropertyOneModel::alias('a')
        ->join('lease b', 'b.po_id=a.id AND b.delete_time IS NULL')
        ->where($where)
        ->value('SUM(b.area)') ?? 0;

如果只取一个值可以用value() 省区写field find 但是多个不行

?? null 判断 ，数据库查询专属

$a=$a??0;

如果$a为null 那么赋值0

?: 三元简写
$a=$a?:0;
如果$a为False那么赋值0