2403_88913721的博客

本文介绍了大模型(LLM)面临的两大挑战（幻觉问题和知识欠缺）及解决方案RAG（检索增强生成）技术。RAG通过外部知识库检索、增强提示和生成回答三个步骤，有效提升大模型的回答准确性。文章详细讲解了RAG应用的构建流程，包括数据加载、切分、嵌入、存储和检索生成等步骤。此外，还介绍了Prompt模板的构建方法（无变量、单变量、动态变量）和角色系统设计，以及三种输出解析器（String、Structured、List）的使用场景和示例代码。这些技术组合能够显著提升大模型应用的可靠性和可用性。

LangChain 入门实践 本文记录了使用阿里云大模型和LangChain框架的初次尝试。主要内容包括： 环境配置：通过.env管理敏感信息，设置阿里云API Key和baseURL 核心组件：使用OpenAI类和StringOutputParser处理模型响应 完整流程：展示了消息准备、API调用、响应解析的完整示例 实际应用：实现了与通义千问大模型的交互，获取模型自我介绍 示例代码完整展示了如何将LangChain工具链与阿里云大模型服务结合使用，为开发者提供了清晰的实现路径。