RAG 实战｜用 StarRocks + DeepSeek 构建智能问答与企业知识库

StarRocks_labs2025-04-24 6:08

文章作者：

石强，镜舟科技解决方案架构师

赵恒，StarRocks TSC Member

👉 加入 StarRocks x AI 技术讨论社区 https://mp.weixin.qq.com/s/61WKxjHiB-pIwdItbRPnPA

RAG 和向量索引简介

RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合外部知识检索与 AI 生成的技术，弥补了传统大模型知识静态、易编造信息的缺陷，使回答更加准确且基于实时信息。

RAG 的核心流程

检索（Retrieval）

  • 用户输入问题后，RAG 从外部数据库（如维基百科、企业文档、科研论文等）检索相关内容。

  • 检索工具可以是向量数据库、搜索引擎或传统数据库。

生成（Generation）

  • 将检索到的相关信息与用户输入一起输入生成模型（如 GPT、LLaMA 等），生成更准确的回答。

  • 模型基于检索内容"增强"输出，而非仅依赖内部参数化知识。

上图展示了 RAG 的标准流程。首先，图片、文档、视频和音频等数据经过预处理，转换为 Embedding 并存入向量数据库。Embedding 通常是高维 float 数组，借助向量索引（如 HNSW、IVF）进行相似性搜索，加速高效检索。

向量索引通过近似最近邻（ANN）算法优化查询效率，减少高维计算负担。语义搜索匹配用户问题与知识库中的相关内容，使回答基于真实信息，从而降低大模型的"幻觉"风险，提升回答的自然性和可靠性。

关于向量检索的更多介绍，可以参考 腾讯大数据基于 StarRocks 的向量检索探索 这篇文章。这里不再展开说明。

StarRocks + DeepSeek 的典型 RAG 应用场景

DeepSeek 负责生成高质量 Embedding 和回答，StarRocks 提供实时高效的向量检索，二者结合可构建更智能、更精准的 AI 解决方案。

企业级知识库

适用场景：

  • 企业内部知识库（文档搜索、FAQ）

  • 法律、金融、医药等专业领域问答

  • 代码搜索、软件开发文档查询

方案：

  1. 文档嵌入（DeepSeek 负责）： 将企业知识库、FAQ、技术文档等数据转换为向量。

  2. 存储+索引（StarRocks 负责）： 使用 HNSW 或 IVFPQ 存储向量存储在 StarRocks 中，支持高效检索。

  3. 检索增强生成（RAG 负责）： 用户输入问题 → DeepSeek 生成查询向量 → StarRocks 进行向量匹配 → 返回相关文档 → DeepSeek 结合文档生成最终回答。

AI 客服与智能问答

适用场景：

  • 智能客服（银行、证券、电商）

  • 法律、医疗等专业咨询

  • 技术支持自动问答

方案：

  1. 客户对话日志嵌入（DeepSeek 负责）： 训练 LLM 处理用户意图，转换历史聊天记录为向量。

  2. 存储+索引（StarRocks 负责）： 采用向量索引让客服系统能够高效查找相似案例。

  3. 检索增强（RAG 负责）： 结合历史客服对话 + 知识库 + DeepSeek LLM 生成答案。

示例流程：

  • 用户问："我如何更改银行卡预留手机号？"

  • StarRocks 检索到 3 个最相似的客户服务记录

  • DeepSeek 结合这 3 条历史记录 + 预设 FAQ，生成精准回答

操作演示

系统组成

  • DeepSeek：提供文本向量化(embedding)和答案生成能力

  • StarRocks：高效存储和检索向量数据（3.4+版本支持向量索引）

实现流程：

|-----------|--------------------|-------------------------------|
| 步骤 | 负责组件 | 具体实现 |
| 1.环境准备 | Ollama StarRocks | 用 Ollama 在本地机器上便捷地部署和运行大型语言模型 |
| 2.数据向量化 | DeepSeek-Embedding | 文本 → 3584 维向量 |
| 3.存储向量 | StarRocks | 创建表，存入向量 |
| 4.近似最近邻搜索 | StarRocks 向量索引 | IVFPQ / HNSW 检索 |
| 5.检索增强 | 模拟 RAG 逻辑 | 结合检索数据 |
| 6.生成答案 | DeepSeek LLM | 生成基于真实数据的回答 |

1.环境准备

1.1 DeepSeek 本地部署

Tips： 以下内容使用的是 macbook 进行 demo 演示

1.1.1 使用 ollama 安装本地模型

在本地部署 DeepSeek 时，Ollama 主要起到模型管理和提供推理接口的作用，支持运行多个不同的 LLM，并允许用户在本地切换和管理不同的模型。

  • 下载 ollama：https://ollama.com/

  • 安装 deepseek-r1:7b

    该命令会自动下载并加载模型ollama run deepseek-r1:7b

**Tips:**如果想使用云端 LLM（如 DeepSeek 的官方 API），需要获取并填写 API Key

访问 DeepSeek 官网（https://platform.deepseek.com）后注册账号并登录；在仪表盘中创建 API Key（通常在 "API Keys" 或 "Developer" 部分），复制生成的密钥（如 sk-xxxxxxxxxxxxxxxx）。

1.1.2 Deepseek 初步使用

启动 deepseek

复制代码 
执行 ollama run deepseek-r1:7b 直接进入交互模式
1.1.3 Deepseek 性能优化

直接在命令行设置参数：（参数单次生效）

复制代码 
OLLAMA_GPU_LAYERS=35 \OLLAMA_CPU_THREADS=6 \OLLAMA_BATCH_SIZE=128 \OLLAMA_CONTEXT_SIZE=4096 \ollama run deepseek-r1:7b
1.1.4 deepseek 使用

**显而易见：**直接使用 deepseek 进行问答，返回的答案是不符合预期的，需要对知识进行修正

1.2 StarRocks 准备工作

1.2.1 集群部署

版本需求：3.4 及以上

1.2.2 配置设置

打开 vector index

复制代码 
ADMIN SET FRONTEND CONFIG ("enable_experimental_vector" = "true");
1.2.3 建库建表

建库：

复制代码 
create database knowledge_base;

建表：存储知识库向量

sql 复制代码 
CREATE TABLE enterprise_knowledge (
    id  BIGINT AUTO_INCREMENT,
    content TEXT NOT NULL,
    embedding ARRAY<FLOAT> NOT NULL,
    INDEX vec_idx (embedding) USING VECTOR (
        "index_type" = "hnsw",
        "dim" = "3584",
        "metric_type" = "l2_distance",
        "M" = "16",
        "efconstruction" = "40"
    )
) ENGINE=OLAP
PRIMARY KEY(id)
DISTRIBUTED BY HASH(id) BUCKETS 1
PROPERTIES (
    "replication_num" = "1"
    );

Tips: DeepSeek 的 deepseek-r1:7b 模型（7B 参数版本）默认生成高维嵌入向量，通常是 3584 维

2.将文本转成向量

测试通过 deepseek 将文本转为 3584 维向量

复制代码 
curl -X POST http://localhost:11434/api/embeddings -d '{"model": "deepseek-r1:7b", "prompt": "产品保修期是一年。"}'

下面将转化的向量数据保存在 StarRocks 中

3.知识存储 (存储向量到 StarRocks）

python 复制代码 
import pymysql
import requests

def get_embedding(text):
    url = "http://localhost:11434/api/embeddings"
    payload = {"model": "deepseek-r1:7b", "prompt": text}
    response = requests.post(url, json=payload)
    response.raise_for_status()
    return response.json()["embedding"]

try:
    content = "StarRocks 的愿景是能够让用户的数据分析变得更加简单和敏捷。"
    embedding = get_embedding(content)

    # 将 Python 列表转换为 StarRocks 的数组格式
    embedding_str = "[" + ",".join(map(str, embedding)) + "]"  # 例如：[0.1,0.2,0.3]

    conn = pymysql.connect(
        host='X.X.X.X',
        port=9030,
        user='root',
        password='sr123456',
        database='knowledge_base'
    )
    cursor = conn.cursor()

    # 使用格式化的数组字符串
    sql = "INSERT INTO enterprise_knowledge (content, embedding) VALUES (%s, %s)"
    cursor.execute(sql, (content, embedding_str))
    conn.commit()
    print(f"Inserted: {content} with embedding {embedding[:5]}...")

except requests.RequestException as e:
    print(f"Embedding API error: {e}")
except pymysql.Error as db_err:
    print(f"Database error: {db_err}")
finally:
    if 'cursor' in locals():
        cursor.close()
    if 'conn' in locals():
        conn.close()

操作演示

4.知识提取 （检索向量 & 输出结果）

python 复制代码 
import pymysql
import requests


# 获取嵌入向量的函数
def get_embedding(text):
    url = "http://localhost:11434/api/embeddings"
    payload = {"model": "deepseek-r1:7b", "prompt": text}
    response = requests.post(url, json=payload)
    response.raise_for_status()
    return response.json()["embedding"]


# 从 StarRocks 查询相似内容的函数
def search_knowledge_base(query_embedding):
    try:
        conn = pymysql.connect(
            host='39.98.110.249',
            port=9030,
            user='root',
            password='sr123456',
            database='knowledge_base'
        )
        cursor = conn.cursor()

        # 将查询向量转换为 StarRocks 的数组格式
        embedding_str = "[" + ",".join(map(str, query_embedding)) + "]"

        # 使用 L2 距离搜索最相似的记录
        sql = """
        SELECT content, l2_distance(embedding, %s) AS distance
        FROM enterprise_knowledge
        ORDER BY distance ASC
        LIMIT 1
        """
        cursor.execute(sql, (embedding_str,))
        result = cursor.fetchone()

        if result:
            return result[0]  # 返回最匹配的 content
        else:
            return "未找到相关信息。"

    except pymysql.Error as db_err:
        print(f"Database error: {db_err}")
        return "查询失败。"
    finally:
        if 'cursor' in locals():
            cursor.close()
        if 'conn' in locals():
            conn.close()

# 主流程
try:
    query = "StarRocks 的愿景是什么？"
    query_embedding = get_embedding(query)  # 将查询转化为向量
    answer = search_knowledge_base(query_embedding)  # 从知识库检索答案
    print(f"问题: {query}")
    print(f"回答: {answer}")

except requests.RequestException as e:
    print(f"Embedding API error: {e}")
except Exception as e:
    print(f"Error: {e}")

执行效果

补充说明：到目前为止的流程仅依赖 StarRocks 进行向量检索，未利用 DeepSeek LLM 进行生成，导致回答生硬且缺乏上下文整合，影响自然性和准确性。为提升效果，应引入 RAG 机制，使检索结果与生成模型深度融合，从而优化回答质量并减少幻觉问题。

5.加入 RAG 增强

5.1 将查询知识库的结果，返回给 DeepSeek LLM ，优化回答质量

python 复制代码 
构造 RAG Prompt
def build_rag_prompt(query, retrieved_content):
    prompt = f"""
    [系统指令] 你是企业智能客服，基于以下知识回答用户问题：
    [知识上下文] {retrieved_content}
    [用户问题] {query}
    """
    return prompt

# 调用 DeepSeek 生成回答
def generate_answer(prompt):
    url = "http://localhost:11434/api/generate"
    payload = {"model": "deepseek-r1:7b", "prompt": prompt}

    try:
        response = requests.post(url, json=payload)
        response.raise_for_status()

        full_response = ""
        for line in response.text.splitlines():
            if line.strip():  # 过滤空行
                try:
                    json_obj = json.loads(line)
                    if "response" in json_obj:
                        full_response += json_obj["response"]  # 只提取答案
                    if json_obj.get("done", False):
                        break
                except json.JSONDecodeError as e:
                    print(f"JSON 解析错误: {e}, line: {line}")

        return clean_response(full_response.strip())  # 处理并去掉 <think>XXX</think>
    except requests.exceptions.RequestException as e:
        print(f"请求失败: {e}")
        return "生成失败。"

5.2 创建 RAG 过程表：

用于记录用户问题、检索结果和生成回答，保存上下文，方便进行长对话，至于长对话，用户可自行探索。

customer_service_log表建表语句如下：

python 复制代码 
CREATE TABLE customer_service_log (
    id BIGINT AUTO_INCREMENT,
    user_id VARCHAR(50),
    question TEXT NOT NULL,
    question_embedding ARRAY<FLOAT> NOT NULL,
    retrieved_content TEXT,
    generated_answer TEXT,
    timestamp DATETIME NOT NULL,
    feedback TINYINT DEFAULT NULL
) ENGINE=OLAP
PRIMARY KEY(id)
DISTRIBUTED BY HASH(id) BUCKETS 1
PROPERTIES (
    "replication_num" = "1"
);

6.优化后的版本

6.1 知识提取代码

6.1.1 知识提取
python 复制代码 
import pymysql
import requests
import json
from datetime import datetime
import logging
import re


# 获取嵌入向量
def get_embedding(text):
    url = "http://localhost:11434/api/embeddings"
    payload = {"model": "deepseek-r1:7b", "prompt": text,"stream": "true"}
    response = requests.post(url, json=payload)
    response.raise_for_status()
    return response.json()["embedding"]


# 从 StarRocks 检索知识
def search_knowledge_base(query_embedding):
    try:
        conn = pymysql.connect(
            host='X.X.X.X',
            port=9030,
            user='root',
            password='sr123456',
            database='knowledge_base'
        )
        cursor = conn.cursor()
        embedding_str = "[" + ",".join(map(str, query_embedding)) + "]"
        sql = """
        SELECT content, l2_distance(embedding, %s) AS distance
        FROM enterprise_knowledge
        ORDER BY distance ASC
        LIMIT 3
        """
        cursor.execute(sql, (embedding_str,))
        results=cursor.fetchall()
        content=""
        for result in results:
            content+=result[0]
        return  content
    except pymysql.Error as db_err:
        print(f"Database error: {db_err}")
        return "查询失败。"
    finally:
        cursor.close()
        conn.close()

def build_rag_prompt(query, retrieved_content):
    prompt = f"""
    [系统指令] 你是企业智能客服，基于以下知识回答用户问题：
    [知识上下文] {retrieved_content}
    [用户问题] {query}
    """
    return prompt

# 调用 DeepSeek 生成回答
def generate_answer(prompt):
    url = "http://localhost:11434/api/generate"
    payload = {"model": "deepseek-r1:7b", "prompt": prompt}

    try:
        response = requests.post(url, json=payload)
        response.raise_for_status()

        full_response = ""
        for line in response.text.splitlines():
            if line.strip():  # 过滤空行
                try:
                    json_obj = json.loads(line)
                    if "response" in json_obj:
                        full_response += json_obj["response"]  # 只提取答案
                    if json_obj.get("done", False):
                        break
                except json.JSONDecodeError as e:
                    print(f"JSON 解析错误: {e}, line: {line}")

        return clean_response(full_response.strip())  # 处理并去掉 <think>XXX</think>
    except requests.exceptions.RequestException as e:
        print(f"请求失败: {e}")
        return "生成失败。"

# 记录对话日志
def log_conversation(user_id, question, question_embedding, retrieved_content, generated_answer):
    try:
        conn = pymysql.connect(
            host='X.X.X.X',
            port=9030,
            user='root',
            password='sr123456',
            database='knowledge_base'
        )
        cursor = conn.cursor()
        embedding_str = "[" + ",".join(map(str, question_embedding)) + "]"
        sql = """
        INSERT INTO customer_service_log (user_id, question, question_embedding, retrieved_content, generated_answer, timestamp)
        VALUES (%s, %s, %s, %s, %s, NOW())
        """
        cursor.execute(sql, (user_id, question, embedding_str, retrieved_content, generated_answer))
        conn.commit()
    except pymysql.Error as db_err:
        print(f"Database error: {db_err}")
    finally:
        cursor.close()
        conn.close()

def clean_response(text):
    # 去掉所有 <think>xxx</think> 结构
    return re.sub(r"<think>.*?</think>", "", text, flags=re.DOTALL).strip()

# 主流程
def rag_pipeline(user_id, query):
    try:
        logging.info(f"开始处理查询: {query}")

        query_embedding = get_embedding(query)
        logging.info("获取嵌入向量成功")

        retrieved_content = search_knowledge_base(query_embedding)
        logging.info(f"检索到内容: {retrieved_content[:50]}...")  # 只展示前50字符

        prompt = build_rag_prompt(query, retrieved_content)
        generated_answer = generate_answer(prompt)
        logging.info(f"生成回答: {generated_answer[:50]}...")

        log_conversation(user_id, query, query_embedding, retrieved_content, generated_answer)
        logging.info("日志记录完成")

        return generated_answer
    except Exception as e:
        logging.error(f"发生错误: {e}", exc_info=True)
        return "处理失败。"

# 测试
if __name__ == '__main__':

    logging.basicConfig(level=logging.INFO, format="%(asctime)s - %(levelname)s - %(message)s")

    user_id = "user123"
    query = "StarRocks 的愿景是什么？"
    answer = rag_pipeline(user_id, query)
    print(f"问题: {query}")
    print(f"回答: {answer}")
6.1.2 操作演示

总结一下 RAG 增强后的执行流程：

  1. 输入：用户输入问题

  2. 数据向量化：DeepSeek Embedding

  3. StarRocks 向量索引，在 enterprise_knowledge 表中检索最相似的知识

  4. 增强（Augmentation）：将检索结果与问题组合成 Prompt，传递给 DeepSeek

  5. 生成回答：调用 DeepSeek 生成增强后的回答

  6. 记录日志：将问题、检索结果和生成回答存入 customer_service_log

  7. 返回结果：将生成的回答返回给用户

6.2 加上 web 可视化界面

XML 复制代码 
<!DOCTYPE html>
<html lang="zh">
<head>
    <meta charset="UTF-8">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>智能问答客服系统</title>
    <script>
        async function askQuestion() {
            let question = document.getElementById("question").value;
            let response = await fetch("/ask", {
                method: "POST",
                headers: {
                    "Content-Type": "application/json"
                },
                body: JSON.stringify({ question: question })
            });
            let data = await response.json();
            document.getElementById("answer").innerText = data.answer;
        }
    </script>
</head>
<body>
    <h1>智能问答客服系统</h1>
    <input type="text" id="question" placeholder="请输入您的问题">
    <button onclick="askQuestion()">提问</button>
    <p id="answer"></p>
</body>
</html>

6.3 完整问答后台服务代码

6.3.1 代码结构如下
6.3.2 知识存储代码
python 复制代码 
import pymysql
import requests

def get_embedding(text):
    url = "http://localhost:11434/api/embeddings"
    payload = {"model": "deepseek-r1:7b", "prompt": text}
    response = requests.post(url, json=payload)
    response.raise_for_status()
    return response.json()["embedding"]

try:
    content = "StarRocks 的愿景是能够让用户的数据分析变得更加简单和敏捷。"
    embedding = get_embedding(content)

    # 将 Python 列表转换为 StarRocks 的数组格式
    embedding_str = "[" + ",".join(map(str, embedding)) + "]"  # 例如：[0.1,0.2,0.3]

    conn = pymysql.connect(
        host='X.X.X.X',
        port=9030,
        user='root',
        password='sr123456',
        database='knowledge_base'
    )
    cursor = conn.cursor()

    # 使用格式化的数组字符串
    sql = "INSERT INTO enterprise_knowledge (content, embedding) VALUES (%s, %s)"
    cursor.execute(sql, (content, embedding_str))
    conn.commit()
    print(f"Inserted: {content} with embedding {embedding[:5]}...")

except requests.RequestException as e:
    print(f"Embedding API error: {e}")
except pymysql.Error as db_err:
    print(f"Database error: {db_err}")
finally:
    if 'cursor' in locals():
        cursor.close()
    if 'conn' in locals():
        conn.close()
6.3.3 知识提取
XML 复制代码 
import pymysql
import requests
import json
import logging
import re
from flask import Flask, request, jsonify, render_template

app = Flask(__name__)

# 配置日志
logging.basicConfig(level=logging.INFO, format="%(asctime)s - %(levelname)s - %(message)s")


# 获取嵌入向量
def get_embedding(text):
    url = "http://localhost:11434/api/embeddings"
    payload = {"model": "deepseek-r1:7b", "prompt": text, "stream": "true"}
    response = requests.post(url, json=payload)
    response.raise_for_status()
    return response.json()["embedding"]


# 从 StarRocks 检索知识
def search_knowledge_base(query_embedding):
    try:
        conn = pymysql.connect(
            host='X.X.X.X',
            port=9030,
            user='root',
            password='sr123456',
            database='knowledge_base'
        )
        cursor = conn.cursor()
        embedding_str = "[" + ",".join(map(str, query_embedding)) + "]"
        sql = """
        SELECT content, l2_distance(embedding, %s) AS distance
        FROM enterprise_knowledge
        ORDER BY distance ASC
        LIMIT 3
        """
        cursor.execute(sql, (embedding_str,))
        results=cursor.fetchall()
        content=""
        for result in results:
            content+=result[0]
        # result = cursor.fetchone()
        return  content
    except pymysql.Error as db_err:
        print(f"Database error: {db_err}")
        return "查询失败。"
    finally:
        cursor.close()
        conn.close()


# 构造 RAG Prompt
def build_rag_prompt(query, retrieved_content):
    return f"""
    [系统指令] 你是企业智能客服，基于以下知识回答用户问题：
    [知识上下文] {retrieved_content}
    [用户问题] {query}
    """


# 调用 DeepSeek 生成回答
def generate_answer(prompt):
    url = "http://localhost:11434/api/generate"
    payload = {"model": "deepseek-r1:7b", "prompt": prompt}

    try:
        response = requests.post(url, json=payload)
        response.raise_for_status()

        full_response = ""
        for line in response.text.splitlines():
            if line.strip():
                try:
                    json_obj = json.loads(line)
                    if "response" in json_obj:
                        full_response += json_obj["response"]
                    if json_obj.get("done", False):
                        break
                except json.JSONDecodeError as e:
                    logging.warning(f"JSON 解析错误: {e}, line: {line}")

        return clean_response(full_response.strip())  # 处理并去掉 <think>XXX</think>
    except requests.exceptions.RequestException as e:
        logging.error(f"请求失败: {e}")
        return "生成失败。"


# 记录对话日志
def log_conversation(user_id, question, question_embedding, retrieved_content, generated_answer):
    try:
        conn = pymysql.connect(
            host='X.X.X.X',
            port=9030,
            user='root',
            password='sr123456',
            database='knowledge_base'
        )
        cursor = conn.cursor()
        embedding_str = "[" + ",".join(map(str, question_embedding)) + "]"
        sql = """
        INSERT INTO customer_service_log (user_id, question, question_embedding, retrieved_content, generated_answer, timestamp)
        VALUES (%s, %s, %s, %s, %s, NOW())
        """
        cursor.execute(sql, (user_id, question, embedding_str, retrieved_content, generated_answer))
        conn.commit()
    except pymysql.Error as db_err:
        logging.error(f"数据库错误: {db_err}")
    finally:
        cursor.close()
        conn.close()


# 清理回答内容，去掉 <think>XXX</think>
def clean_response(text):
    return re.sub(r"<think>.*?</think>", "", text, flags=re.DOTALL).strip()


# RAG 处理流程
def rag_pipeline(user_id,query):
    try:
        logging.info(f"开始处理查询: {query}")

        query_embedding = get_embedding(query)
        logging.info("获取嵌入向量成功")

        retrieved_content = search_knowledge_base(query_embedding)
        logging.info(f"检索到内容: {retrieved_content[:50]}...")  # 只展示前50字符
        
        prompt = build_rag_prompt(query, retrieved_content)

        generated_answer = generate_answer(prompt)
        logging.info(f"生成回答: {generated_answer[:50]}...")

        log_conversation(user_id, query, query_embedding, retrieved_content, generated_answer)
        logging.info("日志记录完成")

        return generated_answer
    except Exception as e:
        logging.error(f"发生错误: {e}", exc_info=True)
        return "处理失败。"


# Flask API
@app.route("/")
def index():
    return render_template("index.html")  # 渲染前端页面

@app.route("/ask", methods=["POST"])
def ask():
    user_id="sr_01"
    data = request.json
    question = data.get("question", "")

    result=rag_pipeline(user_id,question)
    answer = f"问题：{question}。\n 回答：{result}"

    return jsonify({"answer": answer})


if __name__ == "__main__":
    user_id = "sr"
    app.run(host="0.0.0.0", port=9033, debug=True)
6.3.4 效果演示

参考文档：

Deepseek 搭建：https://zhuanlan.zhihu.com/p/20803691410

Vector index 资料：https://docs.starrocks.io/zh/docs/table_design/indexes/vector_index/

StarRocks AI 共创计划：让数据分析更智能！

AI 时代已来，StarRocks 正在加速进化！我们诚邀社区开发者、数据工程师和 AI 爱好者一起探索 "AI + 数据分析" 的无限可能。无论你是擅长算法优化、应用落地，还是热爱技术布道，这里都有你的舞台！

🌟 **你的贡献，能让 StarRocks 更强大！**我们期待你在以下方向大展身手：

  • AI 增强分析：用 LLM、RAG 优化查询、智能 SQL 生成、自然语言交互

  • 工具 & 插件：开发 AI 扩展、模型集成、自动化运维方案

  • 实战案例：分享你的 AI+StarRocks 应用 Demo（附代码/视频更佳！）

🎁 丰厚奖励

  • Top 10 优秀贡献者将获得 StarRocks 社区荣誉 + 2000 积分奖励（详情参考 StarRocks 布道师计划）

  • 优秀项目有机会被官方推荐，并整合进 StarRocks 生态

📢 **立即行动！**👉 在社区论坛分享你的创意或 AI 实践：https://forum.mirrorship.cn/

相关推荐
麻芝汤圆8 分钟前
Spark 集群搭建：Standalone 模式详解
大数据·开发语言·hadoop·分布式·spark·mapreduce
小李学不完20 分钟前
Oracle--存储过程
数据库·oracle
财神爷的心尖宠5539 分钟前
spark和Hadoop之间的对比和联系
大数据·hadoop·spark
等雨季41 分钟前
配置kafka与spark连接
spark
冼紫菜1 小时前
[特殊字符] 分布式事务中，@GlobalTransactional 与 @Transactional 到底怎么配合用？
java·数据库·分布式·后端·mysql
ssauuuuuu1 小时前
数据库对象与权限管理-Oracle数据字典详解
数据库·oracle
skywalk81631 小时前
作为一个创业团队，Neo4j、Nebula Graph、HugeGraph‌、AllegroGraph‌等几款图数据库哪款更合适？
数据库
柳如烟@1 小时前
从零开始配置 Zabbix 数据库监控：MySQL 实战指南
数据库·mysql·adb·zabbix
爱数学的程序猿1 小时前
SQL 多表查询：数据整合与分析的强大工具
数据库·sql
热门推荐
01KGG转MP3工具|非KGM文件|解密音频02从零安装 LLaMA-Factory 微调 Qwen 大模型成功及所有的坑03我决定放弃搞 Java 了04YOLOv8入门 | 重要性能衡量指标、训练结果评价及分析及影响mAP的因素【发论文关注的指标】05yolov8，yolo11，yolo12 服务器训练到部署全流程 笔记06DeepSeek各版本说明与优缺点分析07✨分享我在飞书多维表格中使用DeepSeek的经历✨08苍穹外卖面试总结09RAG 实践- Ollama+RagFlow 部署本地知识库10组基轨迹建模 GBTM的介绍与实现（Stata 或 R）