智能示例选择与Few-Shot Prompt应用 本文介绍了MaxMarginalRelevanceExampleSelector在Few-Shot Prompt中的应用方法。该选择器能够自动筛选与当前输入最相关且最具多样性的示例，提升大模型输出质量。核心优势在于： 基于向量相似度优先选择相关示例 保证示例多样性以避免重复 特别适合示例数量多、输入分布广的场景 文中展示了使用腾讯混元Embeddi

文本向量化与向量数据库应用 文本向量化是将文本转换为数值向量（如1024维数组）的技术，使机器学习模型能处理语义信息。常用方法包括TF-IDF、Word2Vec和BERT等预训练模型，其中Sentence-BERT等直接生成句向量，适用于检索和RAG场景。通过腾讯混元API可实现高效向量化，并利用缓存机制提升批量处理效率。向量数据库（如FAISS）专为高维向量设计，支持快速语义检索，是RAG问答等