这里写自定义目录标题欢迎使用Markdown编辑器一、为什么 RAG 会成为大模型落地的标配二、RAG 的三段式流水线索引、检索、生成三、三个关键优化智能切片、混合检索、重排序四、用指标把 RAG 效果“丈量”出来五、生产中容易忽略的三个“软问题”六、从传统 RAG 看向更远的形态新的改变功能快捷键合理的创建标题有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能丰富你的文章UML图表流程图FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器你好 这是你第一次使用# RAG 检索增强生成从基础架构到生产级优化一、为什么 RAG 会成为大模型落地的标配大模型有一个与生俱来的缺陷它的知识来自训练时背过的数据有截止日期且不含任何企业内部私有数据。你问它李白是哪个朝代的它答得头头是道但你问它我们公司华东区上季度退货率是多少它两眼一抹黑——更麻烦的是有些模型贴心到不知道也要编一个像模像样的答案出来。这在企业场景里是大忌。RAGRetrieval-Augmented Generation检索增强生成正是为了解决这个问题而生的。它的核心思想朴素而有效让模型在回答问题之前先去翻资料柜翻到了再回答。具体来说企业把制度文档、产品手册、技术规程、历史案例上传到知识库系统自动做切片、向量化处理用户提问时AI 先从知识库里检索相关内容再基于检索到的内容组织答案——而不是凭训练记忆瞎猜。为什么不用微调这是很多人的第一个疑问。微调擅长调整模型的语气和风格但在向模型注入大量新知识时效果乏力且代价高昂需要大量高质量数据、可观的算力预算和漫长的训练周期对大多数团队来说根本不现实。相比之下RAG 的显著优势是不重新训练模型——知识实时可更新今天改文档明天就能生效而且天然支持溯源和权限管控。二、RAG 的三段式流水线索引、检索、生成任何 RAG 系统无论多复杂底层都是这三段式流水线索引Indexing。把原始文档切成合适的文本块Chunk用嵌入模型Embedding Model把每个块转成高维向量存入向量数据库。这一步决定了知识库的底层组织方式。检索Retrieval。用户提问时把问题同样向量化在向量库中通过相似度计算如余弦相似度找出语义最相关的 Top-K 个片段。这一步决定了模型能看到哪些证据。生成Generation。把检索到的片段拼进 Prompt让大模型基于这些证据组织答案。这一步决定了模型的回答是否准确、可信。看起来简单但真实生产中每一个环节都有大量细节陷阱。很多团队踩过的典型坑是以为丢进知识库的文档越多越好。实际上检索到的上下文里噪声越多模型越容易中间迷失——被无关信息带偏甚至被噪声污染产生幻觉。RAG 系统的天花板从来不是知识库的规模而是检索质量。如果底层的检索质量不高大模型能力再强也只能巧妇难为无米之炊。三、三个关键优化智能切片、混合检索、重排序要让 RAG 从玩具级跃升为生产级业界公认最核心的优化手段就是这三板斧第一板斧智能切片——告别生硬切断。传统做法是固定长度切分比如每 500 个字符强制切一刀。这极易把一个完整的语义单元、表格或代码片段拦腰截断造成上下文丢失。优化方向有两个一是语义切片基于嵌入模型计算相邻句子的语义相似度当相似度突变说明切换了话题才进行切割二是父子文档切片切片时同时保留小块和大块检索时用精准的小块去搜以提高匹配度但喂给模型时把包含完整上下文的大块送过去兼顾检索精度与上下文完整性。后一种方案在技术规范、财务条款等结构复杂文档上效果尤为明显。第二板斧混合检索——让语义和关键词各司其职。单靠向量检索语义搜索或单靠关键词检索BM25在企业复杂场景下往往都不够用。向量检索擅长理解意图和概念——用户搜员工福利能搜到年终奖“体检补贴等字面不同但含义相关的条款关键词检索擅长精准匹配——搜产品型号X-9000-Pro或某个专有法规条款号向量检索可能意会错而关键词检索能精准定位。业界主流的做法是两路并行 融合排序RRF把向量检索和关键词检索的结果取并集用倒数排名融合算法统一打分去重后取长补短。无论用户问概念性制度还是硬核产品代码、专有名词”都不会漏。第三板斧重排序——把最核心的证据顶到最前面。经过混合检索初筛出来的 Top-20 个片段里往往夹杂着大量噪声。如果直接全塞给大模型不仅消耗大量 Token还会触发中间迷失效应——大模型会忽略放在上下文中间位置的关键信息。优化做法是引入重排序模型Reranker用计算开销较大但精准度极高的交叉编码器Cross-Encoder如 BGE-Reranker、Cohere Rerank将用户的原问题与每个初筛片段做深度逐字比对、精细化打分剔除不相关噪声把真正最核心的 Top-3 到 Top-5 个片段排在最前面。这一步能大幅降低幻觉率确保大模型一眼就能看到最权威的依据。四、用指标把 RAG 效果“丈量”出来优化手段讲了很多但如果没法量化“检索质量到底怎么样”所有优化都只能靠感觉。RAG 系统通常需要一套分层指标来衡量效果检索层指标。衡量“该捞的有没有捞到”命中率Hit Rate黄金答案是否出现在 Top-K 结果里、召回率Recall相关片段被检索出来的比例。这两个指标只关心检索不关心生成方便单独评估切块策略、嵌入模型和检索方式的优劣。生成层指标。衡量“答得好不好”答案准确率答案是否与标准答案一致、忠实度Faithfulness答案是否完全基于检索到的证据、有没有编造、幻觉率答案中无依据内容的占比。生成层指标通常需要人工标注或用更强的模型做自动评估LLM-as-a-Judge。端到端指标。从用户视角看效果首次响应延迟、端到端满意度、以及业务侧的转化率或工单解决率。这类指标最贴近真实价值但受干扰因素也多。实践中一条重要的经验是不要把三层指标混在一起看。检索命中率低优化方向是切块、混合检索和重排序命中率已经很高但答案仍不准确问题往往出在生成环节——提示词、上下文拼接顺序或模型选择。分层定位问题才能对症下药。团队在建立评估集时宁可规模小一点也要保证“黄金问答对”覆盖各典型场景且标准答案可验证否则评估结果本身就可能误导优化方向。五、生产中容易忽略的三个“软问题”优化技巧之外还有三个软问题经常被技术文章忽略却在生产里决定成败一是溯源能力。每条回答都应能标注答案来自哪份文档的哪一段。在企业合规、风控场景里AI 回答必须能追到出处否则等于没说。实现上可以在生成阶段让模型输出时附上引用编号再映射回原始文档片段。二是权限管控。不同密级的文档对应不同可见范围。没有权限的人提问AI 一个字都不能多说。这要求在索引阶段就给文档打上权限标签检索阶段结合当前用户身份做过滤。很多企业 AI 系统上线第一天就出事往往就是漏了这一步。三是评估闭环。RAG 系统的效果不是调一次就定型的。嵌入模型换了、切片策略改了、知识库更新了检索质量都可能波动。正确的做法是维护一个带标准答案的检索评估集量化检索命中率、答案准确率、幻觉率等指标每次改动后跑一遍回归。没有评估闭环的 RAG早晚会在某个版本更新后悄悄变差而不自知。六、从传统 RAG 看向更远的形态基础版 RAG 的价值已经被验证但它也有明确的边界面对跨文档、多跳推理类问题——比如关键信息分散在几十份文档里、彼此通过复杂的业务逻辑关联——单靠语义相似度切片匹配很容易漏掉全局视野。这正是 GraphRAG图谱检索增强和 Iterative RAG迭代式检索等进阶形态的用武之地前者把知识图谱引入检索流程通过实体-关系网络支撑多跳推理后者把一次检索拆成检索-阅读-反思-再检索的动态循环像人类专家查资料一样逐轮逼近完整证据链。可以预见未来 RAG 会从静态文档检索器逐步演化为动态记忆系统——不仅能检索静态文件还能在每次任务执行中自主沉淀新经验让系统越用越聪明。但无论形态怎么演进索引质量、检索精度、生成可信这三段式基本功不会变。把基础打牢才有资格谈进阶。Markdown编辑器所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章了解一下Markdown的基本语法知识。新的改变我们对Markdown编辑器进行了一些功能拓展与语法支持除了标准的Markdown编辑器功能我们增加了如下几点新功能帮助你用它写博客全新的界面设计将会带来全新的写作体验在创作中心设置你喜爱的代码高亮样式Markdown将代码片显示选择的高亮样式进行展示增加了图片拖拽功能你可以将本地的图片直接拖拽到编辑区域直接展示全新的KaTeX数学公式语法增加了支持甘特图的mermaid语法1功能增加了多屏幕编辑Markdown文章功能增加了焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置等功能功能按钮位于编辑区域与预览区域中间增加了检查列表功能。功能快捷键撤销Ctrl/CommandZ重做Ctrl/CommandY加粗Ctrl/CommandB斜体Ctrl/CommandI标题Ctrl/CommandShiftH无序列表Ctrl/CommandShiftU有序列表Ctrl/CommandShiftO检查列表Ctrl/CommandShiftC插入代码Ctrl/CommandShiftK插入链接Ctrl/CommandShiftL插入图片Ctrl/CommandShiftG查找Ctrl/CommandF替换Ctrl/CommandG合理的创建标题有助于目录的生成直接输入1次#并按下space后将生成1级标题。输入2次#并按下space后将生成2级标题。以此类推我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。如何改变文本的样式强调文本强调文本加粗文本加粗文本标记文本删除文本引用文本H2O is是液体。210运算结果是 1024.插入链接与图片链接: link.图片:带尺寸的图片:居中的图片:居中并且带尺寸的图片:当然我们为了让用户更加便捷我们增加了图片拖拽功能。如何插入一段漂亮的代码片去博客设置页面选择一款你喜欢的代码片高亮样式下面展示同样高亮的代码片.// An highlighted blockvarfoobar;生成一个适合你的列表项目项目项目项目1项目2项目3计划任务完成任务创建一个表格一个简单的表格是这么创建的项目Value电脑$1600手机$12导管$1设定内容居中、居左、居右使用:---------:居中使用:----------居左使用----------:居右第一列第二列第三列第一列文本居中第二列文本居右第三列文本居左SmartyPantsSmartyPants 是一个文本转换工具主要功能是将普通的 ASCII 标点符号自动转换为更美观的印刷体标点符号。例如原始符号转换后说明引号“引号”直引号变弯引号单引号‘单引号’直单引号变弯单引号--–两个连字符变短破折号---—三个连字符变长破折号...…三个点变省略号创建一个自定义列表MarkdownText-to-HTMLconversion toolAuthorsJohnLuke如何创建一个注脚一个具有注脚的文本。2注释也是必不可少的Markdown将文本转换为HTML。KaTeX数学公式您可以使用渲染LaTeX数学表达式 KaTeX:Gamma公式展示Γ ( n ) ( n − 1 ) ! ∀ n ∈ N \Gamma(n) (n-1)!\quad\forall n\in\mathbb NΓ(n)(n−1)!∀n∈N是通过欧拉积分Γ ( z ) ∫ 0 ∞ t z − 1 e − t d t . \Gamma(z) \int_0^\infty t^{z-1}e^{-t}dt\,.Γ(z)∫0∞tz−1e−tdt.你可以找到更多关于的信息LaTeX数学表达式here.新的甘特图功能丰富你的文章2014-01-072014-01-092014-01-112014-01-132014-01-152014-01-172014-01-192014-01-21已完成进行中计划一计划二现有任务Adding GANTT diagram functionality to mermaid关于甘特图语法参考 这儿,UML图表可以使用UML图表进行渲染例如下面产生的一个序列图王五李四张三王五李四张三李四想了很长时间, 文字太长了不适合放在一行.你好李四, 最近怎么样?你最近怎么样王五我很好谢谢!我很好谢谢!打量着王五...很好... 王五, 你怎么样?关于UML图表语法参考 这儿,流程图链接长方形圆圆角长方形菱形关于Mermaid语法参考 这儿,FLowchart流程图我们依旧会支持flowchart.js的流程图语法Created with Raphaël 2.3.0开始我的操作确认结束yesno关于Flowchart流程图语法参考 这儿.导出与导入导出如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到文章导出生成一个.md文件或者.html文件进行本地保存。导入如果你想加载一篇你写过的.md文件在上方工具栏可以选择导入功能进行对应扩展名的文件导入继续你的创作。mermaid语法说明 ↩︎注脚的解释 ↩︎
RAG 检索增强生成：从基础架构到生产级优化
这里写自定义目录标题欢迎使用Markdown编辑器一、为什么 RAG 会成为大模型落地的标配二、RAG 的三段式流水线索引、检索、生成三、三个关键优化智能切片、混合检索、重排序四、用指标把 RAG 效果“丈量”出来五、生产中容易忽略的三个“软问题”六、从传统 RAG 看向更远的形态新的改变功能快捷键合理的创建标题有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能丰富你的文章UML图表流程图FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器你好 这是你第一次使用# RAG 检索增强生成从基础架构到生产级优化一、为什么 RAG 会成为大模型落地的标配大模型有一个与生俱来的缺陷它的知识来自训练时背过的数据有截止日期且不含任何企业内部私有数据。你问它李白是哪个朝代的它答得头头是道但你问它我们公司华东区上季度退货率是多少它两眼一抹黑——更麻烦的是有些模型贴心到不知道也要编一个像模像样的答案出来。这在企业场景里是大忌。RAGRetrieval-Augmented Generation检索增强生成正是为了解决这个问题而生的。它的核心思想朴素而有效让模型在回答问题之前先去翻资料柜翻到了再回答。具体来说企业把制度文档、产品手册、技术规程、历史案例上传到知识库系统自动做切片、向量化处理用户提问时AI 先从知识库里检索相关内容再基于检索到的内容组织答案——而不是凭训练记忆瞎猜。为什么不用微调这是很多人的第一个疑问。微调擅长调整模型的语气和风格但在向模型注入大量新知识时效果乏力且代价高昂需要大量高质量数据、可观的算力预算和漫长的训练周期对大多数团队来说根本不现实。相比之下RAG 的显著优势是不重新训练模型——知识实时可更新今天改文档明天就能生效而且天然支持溯源和权限管控。二、RAG 的三段式流水线索引、检索、生成任何 RAG 系统无论多复杂底层都是这三段式流水线索引Indexing。把原始文档切成合适的文本块Chunk用嵌入模型Embedding Model把每个块转成高维向量存入向量数据库。这一步决定了知识库的底层组织方式。检索Retrieval。用户提问时把问题同样向量化在向量库中通过相似度计算如余弦相似度找出语义最相关的 Top-K 个片段。这一步决定了模型能看到哪些证据。生成Generation。把检索到的片段拼进 Prompt让大模型基于这些证据组织答案。这一步决定了模型的回答是否准确、可信。看起来简单但真实生产中每一个环节都有大量细节陷阱。很多团队踩过的典型坑是以为丢进知识库的文档越多越好。实际上检索到的上下文里噪声越多模型越容易中间迷失——被无关信息带偏甚至被噪声污染产生幻觉。RAG 系统的天花板从来不是知识库的规模而是检索质量。如果底层的检索质量不高大模型能力再强也只能巧妇难为无米之炊。三、三个关键优化智能切片、混合检索、重排序要让 RAG 从玩具级跃升为生产级业界公认最核心的优化手段就是这三板斧第一板斧智能切片——告别生硬切断。传统做法是固定长度切分比如每 500 个字符强制切一刀。这极易把一个完整的语义单元、表格或代码片段拦腰截断造成上下文丢失。优化方向有两个一是语义切片基于嵌入模型计算相邻句子的语义相似度当相似度突变说明切换了话题才进行切割二是父子文档切片切片时同时保留小块和大块检索时用精准的小块去搜以提高匹配度但喂给模型时把包含完整上下文的大块送过去兼顾检索精度与上下文完整性。后一种方案在技术规范、财务条款等结构复杂文档上效果尤为明显。第二板斧混合检索——让语义和关键词各司其职。单靠向量检索语义搜索或单靠关键词检索BM25在企业复杂场景下往往都不够用。向量检索擅长理解意图和概念——用户搜员工福利能搜到年终奖“体检补贴等字面不同但含义相关的条款关键词检索擅长精准匹配——搜产品型号X-9000-Pro或某个专有法规条款号向量检索可能意会错而关键词检索能精准定位。业界主流的做法是两路并行 融合排序RRF把向量检索和关键词检索的结果取并集用倒数排名融合算法统一打分去重后取长补短。无论用户问概念性制度还是硬核产品代码、专有名词”都不会漏。第三板斧重排序——把最核心的证据顶到最前面。经过混合检索初筛出来的 Top-20 个片段里往往夹杂着大量噪声。如果直接全塞给大模型不仅消耗大量 Token还会触发中间迷失效应——大模型会忽略放在上下文中间位置的关键信息。优化做法是引入重排序模型Reranker用计算开销较大但精准度极高的交叉编码器Cross-Encoder如 BGE-Reranker、Cohere Rerank将用户的原问题与每个初筛片段做深度逐字比对、精细化打分剔除不相关噪声把真正最核心的 Top-3 到 Top-5 个片段排在最前面。这一步能大幅降低幻觉率确保大模型一眼就能看到最权威的依据。四、用指标把 RAG 效果“丈量”出来优化手段讲了很多但如果没法量化“检索质量到底怎么样”所有优化都只能靠感觉。RAG 系统通常需要一套分层指标来衡量效果检索层指标。衡量“该捞的有没有捞到”命中率Hit Rate黄金答案是否出现在 Top-K 结果里、召回率Recall相关片段被检索出来的比例。这两个指标只关心检索不关心生成方便单独评估切块策略、嵌入模型和检索方式的优劣。生成层指标。衡量“答得好不好”答案准确率答案是否与标准答案一致、忠实度Faithfulness答案是否完全基于检索到的证据、有没有编造、幻觉率答案中无依据内容的占比。生成层指标通常需要人工标注或用更强的模型做自动评估LLM-as-a-Judge。端到端指标。从用户视角看效果首次响应延迟、端到端满意度、以及业务侧的转化率或工单解决率。这类指标最贴近真实价值但受干扰因素也多。实践中一条重要的经验是不要把三层指标混在一起看。检索命中率低优化方向是切块、混合检索和重排序命中率已经很高但答案仍不准确问题往往出在生成环节——提示词、上下文拼接顺序或模型选择。分层定位问题才能对症下药。团队在建立评估集时宁可规模小一点也要保证“黄金问答对”覆盖各典型场景且标准答案可验证否则评估结果本身就可能误导优化方向。五、生产中容易忽略的三个“软问题”优化技巧之外还有三个软问题经常被技术文章忽略却在生产里决定成败一是溯源能力。每条回答都应能标注答案来自哪份文档的哪一段。在企业合规、风控场景里AI 回答必须能追到出处否则等于没说。实现上可以在生成阶段让模型输出时附上引用编号再映射回原始文档片段。二是权限管控。不同密级的文档对应不同可见范围。没有权限的人提问AI 一个字都不能多说。这要求在索引阶段就给文档打上权限标签检索阶段结合当前用户身份做过滤。很多企业 AI 系统上线第一天就出事往往就是漏了这一步。三是评估闭环。RAG 系统的效果不是调一次就定型的。嵌入模型换了、切片策略改了、知识库更新了检索质量都可能波动。正确的做法是维护一个带标准答案的检索评估集量化检索命中率、答案准确率、幻觉率等指标每次改动后跑一遍回归。没有评估闭环的 RAG早晚会在某个版本更新后悄悄变差而不自知。六、从传统 RAG 看向更远的形态基础版 RAG 的价值已经被验证但它也有明确的边界面对跨文档、多跳推理类问题——比如关键信息分散在几十份文档里、彼此通过复杂的业务逻辑关联——单靠语义相似度切片匹配很容易漏掉全局视野。这正是 GraphRAG图谱检索增强和 Iterative RAG迭代式检索等进阶形态的用武之地前者把知识图谱引入检索流程通过实体-关系网络支撑多跳推理后者把一次检索拆成检索-阅读-反思-再检索的动态循环像人类专家查资料一样逐轮逼近完整证据链。可以预见未来 RAG 会从静态文档检索器逐步演化为动态记忆系统——不仅能检索静态文件还能在每次任务执行中自主沉淀新经验让系统越用越聪明。但无论形态怎么演进索引质量、检索精度、生成可信这三段式基本功不会变。把基础打牢才有资格谈进阶。Markdown编辑器所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章了解一下Markdown的基本语法知识。新的改变我们对Markdown编辑器进行了一些功能拓展与语法支持除了标准的Markdown编辑器功能我们增加了如下几点新功能帮助你用它写博客全新的界面设计将会带来全新的写作体验在创作中心设置你喜爱的代码高亮样式Markdown将代码片显示选择的高亮样式进行展示增加了图片拖拽功能你可以将本地的图片直接拖拽到编辑区域直接展示全新的KaTeX数学公式语法增加了支持甘特图的mermaid语法1功能增加了多屏幕编辑Markdown文章功能增加了焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置等功能功能按钮位于编辑区域与预览区域中间增加了检查列表功能。功能快捷键撤销Ctrl/CommandZ重做Ctrl/CommandY加粗Ctrl/CommandB斜体Ctrl/CommandI标题Ctrl/CommandShiftH无序列表Ctrl/CommandShiftU有序列表Ctrl/CommandShiftO检查列表Ctrl/CommandShiftC插入代码Ctrl/CommandShiftK插入链接Ctrl/CommandShiftL插入图片Ctrl/CommandShiftG查找Ctrl/CommandF替换Ctrl/CommandG合理的创建标题有助于目录的生成直接输入1次#并按下space后将生成1级标题。输入2次#并按下space后将生成2级标题。以此类推我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。如何改变文本的样式强调文本强调文本加粗文本加粗文本标记文本删除文本引用文本H2O is是液体。210运算结果是 1024.插入链接与图片链接: link.图片:带尺寸的图片:居中的图片:居中并且带尺寸的图片:当然我们为了让用户更加便捷我们增加了图片拖拽功能。如何插入一段漂亮的代码片去博客设置页面选择一款你喜欢的代码片高亮样式下面展示同样高亮的代码片.// An highlighted blockvarfoobar;生成一个适合你的列表项目项目项目项目1项目2项目3计划任务完成任务创建一个表格一个简单的表格是这么创建的项目Value电脑$1600手机$12导管$1设定内容居中、居左、居右使用:---------:居中使用:----------居左使用----------:居右第一列第二列第三列第一列文本居中第二列文本居右第三列文本居左SmartyPantsSmartyPants 是一个文本转换工具主要功能是将普通的 ASCII 标点符号自动转换为更美观的印刷体标点符号。例如原始符号转换后说明引号“引号”直引号变弯引号单引号‘单引号’直单引号变弯单引号--–两个连字符变短破折号---—三个连字符变长破折号...…三个点变省略号创建一个自定义列表MarkdownText-to-HTMLconversion toolAuthorsJohnLuke如何创建一个注脚一个具有注脚的文本。2注释也是必不可少的Markdown将文本转换为HTML。KaTeX数学公式您可以使用渲染LaTeX数学表达式 KaTeX:Gamma公式展示Γ ( n ) ( n − 1 ) ! ∀ n ∈ N \Gamma(n) (n-1)!\quad\forall n\in\mathbb NΓ(n)(n−1)!∀n∈N是通过欧拉积分Γ ( z ) ∫ 0 ∞ t z − 1 e − t d t . \Gamma(z) \int_0^\infty t^{z-1}e^{-t}dt\,.Γ(z)∫0∞tz−1e−tdt.你可以找到更多关于的信息LaTeX数学表达式here.新的甘特图功能丰富你的文章2014-01-072014-01-092014-01-112014-01-132014-01-152014-01-172014-01-192014-01-21已完成进行中计划一计划二现有任务Adding GANTT diagram functionality to mermaid关于甘特图语法参考 这儿,UML图表可以使用UML图表进行渲染例如下面产生的一个序列图王五李四张三王五李四张三李四想了很长时间, 文字太长了不适合放在一行.你好李四, 最近怎么样?你最近怎么样王五我很好谢谢!我很好谢谢!打量着王五...很好... 王五, 你怎么样?关于UML图表语法参考 这儿,流程图链接长方形圆圆角长方形菱形关于Mermaid语法参考 这儿,FLowchart流程图我们依旧会支持flowchart.js的流程图语法Created with Raphaël 2.3.0开始我的操作确认结束yesno关于Flowchart流程图语法参考 这儿.导出与导入导出如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到文章导出生成一个.md文件或者.html文件进行本地保存。导入如果你想加载一篇你写过的.md文件在上方工具栏可以选择导入功能进行对应扩展名的文件导入继续你的创作。mermaid语法说明 ↩︎注脚的解释 ↩︎