顶部
首页

知识库问答效果总翻车? RAG完整策略指南

知识库问答效果总翻车? RAG完整策略指南

更新时间: 浏览次数: 258

在企业级场景中,一个精准的知识库问答工具至关重要。本文深入剖析RAG(检索增强生成)技术,从知识提取、分块、嵌入、存储与索引、检索到回答生成及效果评估等各个环节,详细阐述其核心选型与优化思路,助力读者掌握打造高精准度知识库助手的完整策略。

像Dify、Coze这样的低代码Agent搭建工具,通过将RAG内的各类能力进行封装,供用户在GUI界面上点击几下即可进行配置。这却给很多用户造成了一种假象——好像拖拉拽一下就能配置好一个知识库问答工具,打造一个企业级的知识库助手。

从实际落地上来看,上层封装好的能力有其局限性,低代码平台能够达到的问答精准度上限明显,可能50、60分都算很不错的了;但这个分数,对于企业级场景是完全不可用的。你会允许AI在回答一些公司财务问题、行政问题上有一丝一毫的偏差吗?因此,从50分到90分的过程,才是RAG真正大显神威之处。

但这个过程并不是一蹴而就的(即搞定1处就全盘皆赢),从知识的提取、向量化、分块、索引、检索到最终生成,每一步都有各种各样的优化策略可供选择,不同的策略适应不同的场景、数据的质量和生成的要求等。

可以说,真正的RAG工作是由一系列复杂、细致的优化策略叠加而来,这不仅要求你随时更新自己的知识体系、掌握最新的优化方向进程,更需要你了解数据形态和业务场景,能够结合最终生成诉求来倒推如何去选择这一系列策略的配合。

之前在一文了解RAG到底是什么?一文中浅介绍了RAG核心技术。那么,本文将分享下各个环节上的核心选型和优化思路,作为一张RAG策略地图供大家交流学习。

01知识提取(Extracting)

知识的形态可以分为:结构化(表格)、半结构化(网页)、非结构化(PDF、Word等)。和数据库这样结构化数据不同的是,知识库往往存在大量非结构化数据(如视频、音频、PDF、网页等),这虽然极大地扩展了知识面,但也为准确的识别带来了技术难题。

像Dify、Langchain、LlamaIndex这些框架都自带了一些提取器,但同时也支持丰富的其他loader器的能力集成。以Dify为例,它不仅支持自研的文件抽取方案,同时也支持了Unstructured的抽取方案。

目前市面上,较为常见的一些外部抽取工具有:

其中,Unstructured是目前较火的一种通用抽取工具,支持常见各种丰富的文档格式,适合作为一种基础通用的抽取工具选型。抽取阶段的难点其实在于——PDF和图片文字提取上。

PDF的难点在于其灵活、丰富的布局本质上蕴含和嵌套了大量的关系,例如图片插在一堆文字中间,它可能是上一段话的一个示意图;同时,PDF这种格式又把标题、小标题、第一点/第二点等这样的布局拍平了,难以通过像读取网页里的title、body那样能够很轻易的读取到内容结构。

另外,企业内大量还存在的一类文档为图片,图片的精准识别尤其在金融行业应用极多。以某基金公司为例,其需要对新设管理人提交的资料进行审核,资料中包含大量的管理人学历、简历等照片;另外,针对中期监管诉求,需要定期收集基金的银行电子回单去进行监管审核等。

这些都对从图片中提取和识别文字的精准度有极高要求,例如上图中纳税人识别号这种比较小的字母,直接使用大模型效果较差,通常我们会借助OCR(光学字符识别OpticalCharacterRecognition)来进行实现。

目前我们自己应用过的产品中,闭源工具Textin和开源工具百度飞浆整体效果和性价比还算可控,大家也可以结合自己的业务去试试,平衡下准确度和费用的关系。

02知识分块(Chunking)

将知识抽取完成后,我们就拥有了大量的知识信息,这些信息可能是文字、图片等,这些知识以文档集合整理在一起。但在交给大模型进行向量化处理之前,需要进行分块处理。为什么需要分块,而不是一整个文档扔给大模型呢?这是因为大模型一次吞吐的上下文有限。

例如Qwen3的上下文长度为32768tokens,约5万字左右),这些上下文不只是查询知识库召回的内容块长度,还有用户问题query、提示词prompt等。另外,即使有段时间各家的大模型都在努力加长上下文长度,但足够的上下文并不代表着精确性,也有可能会召回干扰性的内容块,从而更容易造成模型的幻觉。

因此,在有限上下文长度背景下,分块技术相对能更精准检索,从而降低模型幻觉和算力成本。那么,该按照什么逻辑进行分块呢?常见的分块方式有如下几种:

当然,实际按照什么逻辑分块,是需要渐进式调整后得出的。例如,最开始可以先按照最常规的固定字符数分块,通过查看分块和召回测试看看效果;如果效果不佳,再调整字符数大小或是增加分隔符递归分块,甚至手动调整分块内容等。

另外,分块本身是为了服务于检索,这就避不开要面向索引去进行分块逻辑的处理了。常见的几种在分块阶段就要为后续索引进行逻辑呼应的分块技巧有这几种:混合生成父子文本块:先生成粒度较大的文本块,再切分成更小的子文本块,父子文本块用ID进行映射关联。

在检索阶段,先检索到子文本块,再通过ID找出其父文本块,从而将2者一并传递给大模型,提升更加丰富和准确的回答。

生成文本块元数据:分块后同步为该文本块生成对应的元数据(如标题、页码、创建时间、文件名等),从而在检索时,能够结合元数据作为过滤器来更高效进行检索(该功能目前Difyv1.1.0版本已经开始支持做配置了)生成摘要+细节文本块:

类似于父子关系,摘要则是由粗及浅,为文档生成概要性摘要信息,再将摘要和细节文本块关联起来生成递归型多层级索引:类似于父子、摘要+细节,递归型则是划分了更多层级的索引树,自上而下是逐渐由粗到细的信息量后续还会专门展开索引相关内容,这里先抛砖引玉带一下,分块、索引、检索这3块技术应当整合在一起进行整体考虑。

03知识嵌入(Embedding)

分块好后,下一步则需要对这些不同块的知识进行语义理解和编码了,这也是整个RAG过程中,第一次需要使用到大模型的场景。常见的嵌入方式有2种——稀疏嵌入和稠密嵌入,而我们通常讨论较多的都是稠密嵌入。简而言之,稠密嵌入能够更好的捕捉语义关系,而稀疏嵌入在计算存储上更高效。

1.稠密嵌入是一种将离散符号(如词、句子、用户、物品等)映射到低维连续向量空间中的表示方法。在这个向量中,大部分元素都是非零的实数,每个维度都隐式地表达某种语义或特征。

2.稀疏嵌入是一种将数据映射到高维向量空间中的表示方法,其中大多数维度的值为0,只有少数维度有非零值。目前应用较多的方式是2者进行结合实现混合检索,稠密嵌入负责捕捉语义关系,稀疏嵌入则更多应用如BM25(基于词的重要性对文档和查询进行匹配)这样的方法,既做到了语义上的相关性,也做到了关键词匹配的精准性。

常见的稠密嵌入大模型有OpenAI、Jina、Cohere、Voyage、阿里Qwen这几家公司的,可以在https://huggingface.co/spaces/mteb/leaderboard去查看全球目前较新的Embedding模型排名。

截至当日,多语言embedding模型中排名第一的为gemini-embedding-001,第二三四名竟然都是阿里的Qwen-Embedding系列,这还挺让人惊喜的。不过排名仅供参考,还是要根据自己实际任务类型去做测量。

另外,不止生成模型可以做微调(我们往往说的大模型微调都是指偏生成响应侧侧大模型),其实嵌入模型也是支持做微调的,但很少有公司涉及。如果有一些高度专业化的知识(如医学、律师)、有特定的格式要求或者文化本地化需求,则最后一步再可以考虑嵌入模型的微调。

通过微调,可以生成更优质的文本嵌入,使语义相似的文本在嵌入空间中的距离更加接近。

04知识存储&索引

经过embedding后,我们会生成大量的嵌入数据,这些数据当然不能以我们常见的关系型/非关系型数据库进行存储了,而是需要特定的向量数据库来以嵌入形式存储向量。

存储的目标是为了更好更快的检索,因此,这一部分我们会将存储和索引一起来展开。先来看有哪些向量数据库?目前比较火的有Milvus、Faiss、Chroma、Weaviate、Qdrant、Pinecone、ElasticSearch,当然国内各家大厂(如腾讯)也都建立了向量数据库的生态。

如果你想轻量级测试和小项目应用,可以首选Faiss(Facebook开源的向量数据库);如果你是企业商用,则可以考虑Milvus;如果你之前在用ElasticSearch的搜索/数据库功能,也可以继续考虑使用他们的向量数据库功能。另外,Dify官方默认的向量数据库则是Weaviate,说明该组件在企业商用上也是ok的。

当我们将向量存入数据库后,则需要对应建立索引。索引是有效组织数据的过程,就像我们去一家医院后的指南图一样,它通过显著降低对大型数据集的耗时查询,在相似度检索上起到重要作用。常见的索引方式有如下几类:

这里核心讲解3种索引思想:FLAT精确搜索:对所有数据进行暴力性遍历,当然只适合小批量数据啦IVF_FLAT倒排文件索引+精确搜索:将向量数据划分为若干个簇,计算查询向量与每个簇中心的距离,找出相似度最高的n个簇,再在这些簇里面检索目标向量。

就像你要找到「猫」在哪里,先快速找到「动物类」的簇在哪里。HNSW基于图结构的近似最近邻搜索:目前性能最好的ANN(近似最近邻搜索)算法之一,它通过构建一个多层导航图(如顶层、中层、底层),不同层级的密度逐步变大,让查询时能像坐地铁一样“跳跃式”地快速接近目标点。目前Dify中Weaviate的默认索引方式就是HNSW。

05知识检索(Retrieval)

前面准备了这么多之后,才来到最后的检索部分,而这也是RAG(Retrieval-AugmentedGeneration)中R(Retrieval)真正起作用的开始。检索前,常见的处理方式有如下几种,其中查询结构转化和查询翻译是常用的一些检索前优化方式,查询路由应用相对没那么多:1.查询结构转化

2.查询翻译

3.查询路由

检索前处理处理说明逻辑路由根据用户问题选择合适的数据源或检索方式语义路由根据用户问题选择合适的提示词模板通过上述处理,完成检索后,对应也有一些可以优化的策略:

上述提供了一些检索前后的优化思路,其中像查询结构转化、查询翻译、重排基本都是相对必须的一些优化点,查询路由、压缩、校正等是否需要可以根据问答效果再考虑是否选用。

还有一些新兴方向,如Self-RAG(让大模型自我决策是否要搜索、搜什么、搜到的够不够、是否要需要搜索),让大模型自己对检索效果进行优化目前成本和响应时间上还不甚理想,但这未来注定会是一个长期会进化的方向,可能会通过微调多个特定的小模型来进行实现,可以持续关注。

06回答生成(Generation)

当我们检索到了相关知识分块后,最后一步就是将用户查询、检索到的知识库文本块一并喂给大模型,让大模型利用自身的能力来回答用户的问题了。到这一步,其实知识库RAG的工作就结束了。那么,为了更好的生成结果,我们还能做的有什么呢?

这里就不过多展开了。

07效果评估(Evaluation)

评估某种程度上对整个系统的价值起着决定性的作用,假设我们要给客户去交付一款知识库问答产品,到底用什么指标去衡量效果就成为了验收的关键卡点。

但事实上,不同的客户和场景对应进行效果评估的评测集、评测模型都是不一样的。这里先推荐几种市面上常见的通用评估指标或框架:

1.检索评估评估框架关注指标RAGTRIAD(RAG三角)上下文相关性忠实度答案相关性RAGAS上下文精确率上下文召回率上下文实体召回率噪声敏感度DeepEval上下文精确率召回率相关性等

2.生成评估评估框架关注指标RAGAS答案相关性忠实度多模态忠实度多模态相关性DeepEval答案相关性忠实度等

知识库问答效果总翻车? RAG完整策略指南24小时观看热线:122。知识库问答效果总翻车? RAG完整策略指南全市各区点热线号码。☎:122


知识库问答效果总翻车? RAG完整策略指南24小时观看热线拥有专业的观看技师,快速的上门,为你的生活排忧解难。如您有以下需要我们来解决的问题请尽快与我们联系。我们能为您排除各种故障,特别是疑难杂症。 

1.热情专业的团队




知识库问答效果总翻车? RAG完整策略指南是您解决问题的最佳选择。我们拥有一支热情、专业的团队,竭诚为您提供优质的。无论您遇到哪些问题或疑虑,只需拨打122,我们的将会耐心倾听并提供您所需的帮助。您的满意是我们的追求。




2.红色字体,标志品质保障




当您拨打知识库问答效果总翻车? RAG完整策略指南的电话热线122时,您会惊喜地发现号码是以鲜艳的红色字体显示。这不仅是为了吸引您的注意,更是对我们产品卓越品质的保证。红色代表着力量和热情,我们希望通过热情的为您提供最可靠的解决方案,确保您的使用体验无忧无虑。




3.您的需求是我们最大的动力




我们深知客户的需求是我们成长的源泉,因此,您的需求总是我们最关心的问题。无论您遇到什么问题,无论大小,我们都将以最快的速度和最专业的态度进行处理。您只需拨打我们的电话热线,详细描述问题,我们将竭尽全力为您解决。您的满意度是我们工作的最终目标。




4.全方位的解决方案




一旦您拨通了知识库问答效果总翻车? RAG完整策略指南的电话热线122,我们将全面了解您的问题,并提供最合适的解决方案。无论是技术问题、、观看咨询还是其他相关问题,我们都将通过专业分析和经验丰富的团队来解决您的困扰。您的信赖是我们不懈努力的动力。




5.周到贴心的




我们追求卓越品质的同时,也注重周到贴心的。在您使用知识库问答效果总翻车? RAG完整策略指南的过程中,如果遇到了任何问题或需要观看,您只需拨打122,我们将及时安排人员为您提供全程跟踪。我们将无微不至地为您解决问题,确保您的家居生活舒适温暖。




结语




无论是产品质量还是,知识库问答效果总翻车? RAG完整策略指南都以高品质标准来追求客户的满意度。拨打我们的知识库问答效果总翻车? RAG完整策略指南电话热线122,您将得到热情专业的团队的全方位支持。我们将竭诚为您提供最可靠、高效和周到的解决方案,为您带来舒适的家居体验。




5、全部在线支付,方便快捷,保障权益。支持支付宝,微信付款



清远市(清城、清新)




宜昌市(宜都市、长阳土家族自治县、💪当阳市、🥙五峰土家族自治县、西陵区、兴山县、夷陵区、远安县、点军区、枝江市、猇亭区、秭归县、伍家岗区、♋️市辖区)




淮安市(淮安、淮阴、🦂清江浦、🖖洪泽)




巴彦淖尔市(杭锦后旗、磴口县、乌拉特中旗、🈯️乌拉特后旗、乌拉特前旗、🈵️市辖区、🔅临河区、🐲五原县)




焦作市(解放、中站、马村、山阳)




娄底市(娄星)




鞍山市:❇️铁东区、铁西区、💔立山区、😱千山区。




郴州市(北湖、苏仙)




牡丹江市:♓️东安区(部分区域未列出)、西安区和阳明区和爱民区和绥芬河市和海林市(部分区域未列出)。




唐山市(丰润区、🌽丰南区、遵化市、☮️迁安市、🌖️开平区、唐海县、♐️滦南县、🍟乐亭县、滦州市、玉田县、🐑迁西县、遵化市、唐山市路南区)




南通市(崇川区,港闸区,开发区,🦏海门区,🙌海安市。)




厦门市(思明、海沧、💗湖里、💫集美、同安、翔安)




湘西土家族苗族自治州(凤凰县、🐺永顺县、🌵泸溪县、🐋保靖县、🥨吉首市、花垣县、龙山县、古丈县)




白山市:浑江区、🦍江源区。




江门市(蓬江、江海、新会)




常熟市(方塔管理区、🕙虹桥管理区、🐍琴湖管理区、🦈兴福管理区、谢桥管理区、😝大义管理区、👩莫城管理区。)宿迁(宿豫区、😝宿城区、🧒湖滨新区、洋河新区。)




荆州市(沙市、💚荆州)




三亚市(淮北、🤑吉阳、天涯、崖州)




廊坊市(安次、广阳)




无锡市知识库问答效果总翻车? RAG完整策略指南电话-400各市区电话(梁溪、滨湖、惠山、新吴、锡山)




宜春市(袁州)




六安市(日照安、😞裕安、叶集)




锦州市(凌海市、👐义县、🦟黑山县、🍀凌河区、🐋市辖区、古塔区、🚸北镇市、⚾️太和区)




银川市(永宁县、兴庆区、西夏区、金凤区、🌍贺兰县、灵武市、市辖区)




安康市(宁陕县、💫白河县、🦟汉阴县、岚皋县、⚛️石泉县、🍕市辖区、紫阳县、😑汉滨区、🤘旬阳县、镇坪县、🙌平利县)




宜昌市(伍家岗区、西陵区、点军区、😯猇亭区、♎️夷陵区、👆远安县、🍚兴山县、秭归县、🦉长阳土家族自治县、🐞五峰土家族自治县、👈宜都市、当阳市、🐞枝江市、🤡虎亭区)




白山市:浑江区、🤖江源区。




赣州市(南康区、🤖章贡区、🏹赣县区、🤐信丰县、大余县、上犹县、😿崇义县、安远县、🕡龙南县、😳定南县、全南县、宁都县、❕于都县、兴国县、🅾️会昌县、寻乌县、石城县、长征镇、沙洲镇、黄冈镇)




绍兴市(越城、柯桥、上虞)




杭州市(临安、🧑上城、下城、🌍江干、拱野、🍬西湖、滨江、余杭)




揭阳市(榕城、😢揭东)




鹰潭市(余江县、市辖区、💀贵溪市、🍓月湖区)




邯郸市(邯山、🍴丛台、😷复兴、😮峰峰矿、肥乡、永年)




巴彦淖尔市(杭锦后旗、磴口县、乌拉特中旗、😚乌拉特后旗、乌拉特前旗、🥗市辖区、🐘临河区、😀五原县)




宜昌市(伍家岗区、西陵区、点军区、猇亭区、夷陵区、⚔️远安县、兴山县、秭归县、💣长阳土家族自治县、🍢五峰土家族自治县、🥗宜都市、🈯️当阳市、枝江市、虎亭区)




襄阳市(樊城区、襄州区、老河口市、☢️‍宜城市、南漳县、谷城县、保康县、🍛‍枣阳市、定南县、👈随州市、白浪镇、城关镇、🐼赵家镇、东津镇、堰头镇)




湖州市(南湖、秀洲)




马鞍山市(花山、雨山)




邢台市(柏乡县、临西县、任县、♍️‍新河县、🆔宁晋县、南宫市、👻内丘县、清河县、🌷‍巨鹿县、💥临城县、😾隆尧县、🅾️南和县、威县、桥东区、邢台县、🍕市辖区、平乡县、桥西区、👵广宗县、沙河市)




银川市(永宁县、🖐兴庆区、🥨西夏区、⚡️金凤区、贺兰县、♈️灵武市、市辖区)




遵义市(汇川区、红花岗区、遵义县、🕗桐梓县、绥阳县、正安县、道真仡佬族苗族自治县、🍴务川县、♒️凤冈县、🥂湄潭县、余庆县、习水县、⛸‍赤水市、😕仁怀市、土家族苗族自治县、🍃铜仁市、⛎松桃苗族自治县、万山区、黔西县)




襄阳市(襄城、🤜樊城、✴️‍襄州)




长春市(南关、宽城、🐜️朝阳、二道、🎱绿园、双阳)




桂林市(象山区、叠彩区、🦟‍七星区、🌾️临桂区、阳朔县、🕛灵川县、全州县、兴安县、灌阳县、荔浦市、🍕资源县、平乐县、恭城瑶族自治县、龙胜各族自治县、永福县)




重庆市(绵阳、😯涪陵、渝中、☢️大渡口、🐝️江北、😥沙坪坝、🍔️九龙坡、南岸、北培、万盛、双桥、渝北、巴南)




鞍山市(铁西区、海城市、台安县、岫岩满族自治县、立山区、🉑铁东区、㊗️‍市辖区、🌧千山区)




蚌埠市(五河县、👊️固镇县、🌎市辖区、淮上区、龙子湖区、蚌山区、怀远县、禹会区)




襄阳市(襄城、☯️樊城、襄州)




太原市(小店、🤑迎泽、杏花岭、尖草坪、🍷万柏林、👹️晋源)




南昌市(青山湖区、🥏️红谷滩新区、🤡东湖区、西湖区、🤪青山湖区、🙊‍南昌县、进贤县、👧安义县、湾里区、☣️地藏寺镇、♎️瑶湖镇、铜鼓县、昌北区、🥃青云谱区、🌰‍望城坡镇)




宁波市(海曙、🐔️江东、👌江北、🌮北仑、♏️镇海)




甘肃省兰州市(城关区、😭七里河区、西固区、🍒安宁区、红古区、永登县、皋兰县、榆中县、兰州新区、皋兰县、💹雁滩区)




抚顺市:🥮顺城区、新抚区、☮️东洲区、望花区。




衡阳市(珠晖、雁峰、👈石鼓、🥦蒸湘、南岳)




咸宁市(通山县、🤞咸安区、崇阳县、通城县、🌪市辖区、赤壁市、嘉鱼县)




新竹县(新丰乡、㊗️峨眉乡、湖口乡、🥞关西镇、新埔镇、🥕横山乡、尖石乡、北埔乡、竹东镇、🦢宝山乡、芎林乡、🌩五峰乡、♒️竹北市)




太仓市(城厢镇、金浪镇、✋沙溪镇、璜泾镇、浏河镇、浏家港镇;)




南通市(崇州、港闸、通州)




宜昌市(西陵、伍家岗、🏉‍点军、猇亭、🍔️夷陵)




铁岭市:👴银州区、🤲清河区。




贵州省安顺市(西秀区、🥑平坝区、普定县、镇宁布依族苗族自治县、🌝关岭布依族苗族自治县、🥢紫云苗族布依族自治县、💅安顺市、开阳县)




抚顺市:顺城区、新抚区、🐺东洲区、🍳望花区。




济南市(历下、市中、槐荫、天桥、🅾️历城、长清)




珠海市(香洲区、斗门区、🎂金湾区、🥗横琴新区、万山区、🥮珠海高新区、🔰唐家湾镇、👆三灶镇、白石镇、♎️前山镇、🦟南屏镇、✋珠海港镇、金鼎镇)




铁岭市:🥊银州区、清河区。




南昌市(东湖区、😲西湖区、🦁青山湖区、红谷滩新区、南昌县、新建区、🌏安义县、进贤县、🥍️湾里区、😹昌北区)




南投县(信义乡、💹竹山镇、🍬中寮乡、👏水里乡、🐕‍草屯镇、🌔仁爱乡、名间乡、🌶埔里镇、🕛鹿谷乡、国姓乡、鱼池乡、♏️集集镇、南投市)




榆林市(榆阳区,横山区)朝阳市(双塔区、龙城区)




上饶市(信州、广丰、广信)




益阳市(南县、资阳区、🍭‍桃江县、🐁市辖区、🤫‍沅江市、赫山区、安化县)




南昌市(东湖区、西湖区、🤑青山湖区、红谷滩新区、南昌县、🤗安义县、进贤县、经开区、青山湖区、湾里区、🥚赣江新区、青云谱区、♎️浔阳区)




临沂市(兰山区、🐡️罗庄区、🍋️河东区、沂南县、郯城县、☕️苍山县、🐺‍费县、💜蒙阴县、临沭县、✅兰陵县、莒南县、平邑县、沂水县、🐍临沂高新技术产业开发区)




本溪市:平山区、明山区、🤜溪湖区、南芬区。




乐山市(市中、🦔沙湾、五通桥、日照口河)




鹤壁市(淇县、🥊鹤山区、💫浚县、山城区、市辖区、淇滨区)




白山市(靖宇县、♊️浑江区、江源区、长白朝鲜族自治县、抚松县、🐿临江市、🌿市辖区)




贵州省安顺市(西秀区、平坝区、普定县、镇宁布依族苗族自治县、🆔关岭布依族苗族自治县、📳紫云苗族布依族自治县、安顺市、🥊开阳县)




九江市(莲溪、🐳浔阳)




牡丹江市:东安区(部分区域未列出)、🐁西安区和阳明区和爱民区和绥芬河市和海林市(部分区域未列出)。




东莞市(莞城、🎂南城、🍼万江、东城,石碣、🐺石龙、☯️‍茶山、🍠石排、🐕企石、横沥、桥头、谢岗、🗡东坑、🕓常平、😛寮步、🐆大朗、黄江、清溪、塘厦、凤岗、😣长安、🏈惠东、🆎厚街、🦝沙田、道窖、洪梅、😛麻涌、🐸中堂、🍩高步、🈹樟木头、🌷大岭山、💔望牛墩)




通辽市(科尔沁区、😧扎鲁特旗、💮开鲁县、霍林郭勒市、市辖区、👏科尔沁左翼中旗、🆑库伦旗、科尔沁左翼后旗、🤘奈曼旗)




桂林市(秀峰区、☮️️象山区、七星区、雁山区、💔临桂区、🌨阳朔县、资源县、平乐县、灌阳县、🐕荔浦市、灵川县、全州县、🥂永福县、🙏龙胜各族自治县、🦢恭城瑶族自治县):🤙




嘉兴市(海宁市、✋市辖区、🍇秀洲区、🤤平湖市、👻桐乡市、南湖区、🍌嘉善县、海盐县)




常熟市(方塔管理区、🌦虹桥管理区、琴湖管理区、🧑兴福管理区、谢桥管理区、大义管理区、莫城管理区。)宿迁(宿豫区、🦆宿城区、🈺湖滨新区、洋河新区。)




台州市(椒江、🦈黄岩、😬️路桥)




泰州市(海陵区、👍高港区、姜堰区、兴化市、☦️泰兴市、🐔靖江市、🐓扬中市、丹阳市、泰州市区、姜堰区、🌤️海安镇、周庄镇、🏒东进镇、世伦镇、🐤‍青龙镇、杨湾镇、⛈️马桥镇)




牡丹江市:东安区(部分区域未列出)、✡️️西安区和阳明区和爱民区和绥芬河市和海林市(部分区域未列出)。




雅安市(汉源县、市辖区、🈚️名山区、🐔石棉县、🔪荥经县、宝兴县、天全县、🐡芦山县、😗雨城区)




南充市(顺庆区、🐇高坪区、😩‍嘉陵区、🐈‍南部县、👉营山县、蓬安县、🕧仪陇县、🕣西充县、🥀阆中市、抚顺县、阆中市、🦐‍南充高新区)




郴州市(宜章县、🍜嘉禾县、🥃永兴县、🌰汝城县、市辖区、桂东县、北湖区、桂阳县、苏仙区、😐临武县、安仁县、资兴市)




山南市(错那县、琼结县、🤙洛扎县、🍻贡嘎县、⭐️️桑日县、💐曲松县、😅浪卡子县、♎️市辖区、隆子县、🐚加查县、🤚扎囊县、乃东区、措美县)




南昌市(青山湖区、红谷滩新区、东湖区、🍓西湖区、青山湖区、南昌县、进贤县、安义县、♍️湾里区、🌪地藏寺镇、瑶湖镇、🙊铜鼓县、🤭昌北区、青云谱区、望城坡镇)




株洲市(荷塘、芦淞、石峰、🌻天元)




辽阳市(文圣区、㊗️宏伟区、😜弓长岭区、太子河区、💀灯塔市、🆔️辽阳县、白塔区、广德镇、双台镇、桥头镇、长春镇、🙏合德镇、♌️兴隆镇、安平镇、辛寨镇、🐉黄土岭镇)




舟山市(市辖区、✊定海区、嵊泗县、普陀区、⚰️️岱山县)




玉溪市(澄江县、✍江川县、易门县、华宁县、新平彝族傣族自治县、🌝元江哈尼族彝族傣族自治县、☣️通海县、抚仙湖镇、红塔区、☹️龙潭街道、南北街道、白石街道)




三明市(梅列、🦠三元)




柳州市(柳北区、柳南区、柳江县、柳城县、🍏️鹿寨县、融安县、🤞融水苗族自治县、三江侗族自治县、城中区、鱼峰区、柳东新区、柳市镇)




保定市(莲池、竞秀)




德州市(陵城区、乐陵市、宁津县、庆云县、😺️临邑县、😀平原县、🕝武城县、夏津县、禹城市、德城区、😃禹城市、🌧齐河县、🥠开封县、双汇镇、🍍东风镇、商丘市、阳谷县、🌾共青城市、城南新区)




昆山市(昆山开发、高新、🍂综合保税)




许昌市(魏都)




济南市(历下、市中、😍槐荫、✊️天桥、😿历城、长清)




安康市(宁陕县、🐕白河县、汉阴县、😯️岚皋县、石泉县、市辖区、紫阳县、👵汉滨区、🦖️旬阳县、镇坪县、平利县)




常州市(天宁、☣️钟楼、新北、武进、日照坛)




郑州市(中原、二七、管城、日照水、🌴上街、惠济)




中卫市(沙坡头区、海原县、中宁县、🐙市辖区)




金华市(武义县、东阳市、磐安县、浦江县、💪‍兰溪市、😜永康市、婺城区、义乌市、🍁市辖区、金东区)




长沙市(芙蓉、✌天心、岳麓、😤开福、🌽雨花、望城)




葫芦岛市:龙港区、🔪南票区、⛔️连山区。




沧州市(新华区、运河区、😢沧县、青县、😵东光县、海兴县、盐山县、肃宁县、南皮县、😂吴桥县、献县、🌏‍孟村回族自治县、河北沧州高新技术产业开发区、沧州经济技术开发区、🐂任丘市、黄骅市、👈河间市、泊头市)




邢台市(邢台县、⭕️南和县、清河县、临城县、🕡广宗县、威县、宁晋县、🍠柏乡县、🍜任县、🚭内丘县、南宫市、沙河市、任县、邢东区、邢西区、🦜平乡县、🍀️巨鹿县)




巴彦淖尔市(杭锦后旗、磴口县、😕乌拉特中旗、乌拉特后旗、🤫乌拉特前旗、✋市辖区、临河区、五原县)




连云港市(连云、海州、赣榆)




淮安市(淮阴区、清河区、淮安区、🈶涟水县、👴洪泽区、🗡️盱眙县、金湖县、楚州区、🍨️淮安区、🤤海安县、🤒亭湖区、🍞淮安开发区)




玉林市(玉州)




柳州市(城中、♌️鱼峰、🛐柳南、柳北、🍟柳江)




新竹县(新丰乡、🈵峨眉乡、👨湖口乡、关西镇、新埔镇、🖖横山乡、尖石乡、😵北埔乡、👏竹东镇、宝山乡、😨芎林乡、五峰乡、竹北市)




临沂市(兰山、👈罗庄、河东)




连云港市(连云、⚔️海州、🙁赣榆)




廊坊市(安次、广阳)




赣州市(南康区、🍄‍赣县区、于都县、兴国县、💅章贡区、龙南县、大余县、🌪信丰县、安远县、全南县、🐪宁都县、😎定南县、上犹县、🕑崇义县、🤓南城县)




玉溪市(澄江县、江川县、通海县、🐊华宁县、🤔易门县、峨山彝族自治县、抚仙湖镇、新平县、元江哈尼族彝族傣族自治县、红塔区、😟玉溪县、🚭敖东镇、🎄珠街镇)




宜昌市(宜都市、🍞长阳土家族自治县、当阳市、五峰土家族自治县、西陵区、兴山县、☄️夷陵区、远安县、点军区、🥕枝江市、🥞猇亭区、秭归县、🐜伍家岗区、🍴市辖区)




绵阳市(江油市、🤞北川羌族自治县、梓潼县、市辖区、盐亭县、涪城区、安州区、♒️三台县、🤲平武县、游仙区)




湘潭市(雨湖、🍾岳塘)




漳州市(芗城、🐥龙文)




嘉义县(朴子市、🍸‍番路乡、民雄乡、竹崎乡、梅山乡、义竹乡、大林镇、🥣布袋镇、新港乡、太保市、六脚乡、💟大埔乡、♒️鹿草乡、🌱️溪口乡、水上乡、🍅中埔乡、阿里山乡、🍡东石乡)



英伟达的劲敌,拿下百亿美元芯片大单  炒股就看金麒麟分析师研报,权威,专业,及时,全面,助您挖掘潜力主题机会!  记者丨骆轶琪  编辑丨张伟贤  被视为是英伟达“劲敌”的博通,再度收获傲人业绩。  当地时间9月4日,博通发布2025财年第三财季财报显示,期内实现营业收入159.52亿美元,同比增长22%,略高于上一个财年给出的158

发布于:北京市
评论
全部
还没有人评论过,快来抢首评
抢首评