（llm-universe）C2 使用LLM API开发应用

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 100+累计阅读 154平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄8年

关注

原创最新推荐文章于 2026-09-21 23:55:19 发布 154 阅读 AI 写同款· GEO 优化 ›

llm-universe学习小记录4--构建RAG应用介绍了如何将LLM接入Langchain、如何构建检索问答链、如何部署知识库助手。阅读详情

请添加图片描述

收录于

当前文章被以下社区和专栏收录：

标签

#python #人工智能 #AIGC

新手必看！BUUCTF-PWN题实战：从零搭建Kali环境到成功RIP栈溢出本文为CTF二进制安全新手提供了一份详实的BUUCTF-PWN入门指南。内容涵盖从零搭建Kali Linux环境、安装配置pwntools等核心工具，到深入浅出地讲解栈溢出原理与汇编基础，并手把手带领读者完成一道名为“rip”的经典栈溢出题目实战，成功利用漏洞获取系统权限。阅读详情

相关推荐

SAR成像处理基本知识2——图像尺寸与回波尺寸的关系

阅读本文前，请先了解上一篇文章（SAR成像处理基本知识1——常用专用名词解释） 1. SAR图像尺寸预估方法以C波段2m@20km的SAR图像为例，假设天线中心下视角为35° ，说明图像尺寸的估计方法。 1.1 距离向尺寸估计地距分辨率为2m时，距离向分辨率约为1.15m，则要求信号带宽不小于130MHz，假设信号带宽为150MHz，采样率为180MHz，那么距离向分辨单元为0.833m。地距幅宽为20km时，距离向幅宽约为20*sind(3...

爱学习的小伟的博客 4954

llm-universe 提示工程入门：从基础 LLM 到指令微调 LLM，掌握 API 驱动的应用开发

欢迎来到 llm-universe 项目中《面向开发者的提示工程（Prompt Engineering for Developers）》单元。本篇作为该单元的开篇导览，核心回答三个问题：为什么提示工程对开发者如此重要、开发者使用的大语言模型（LLM）属于哪一类、以及如何使用指令微调模型构建真实应用。读完本文，你将建立"基础 LLM 与指令微调 LLM"的清晰认知，理解 Prompt/Complet

gitblog_00535的博客 643

提示词注入攻击全面解析与防御策略

提示词注入(Prompt Injection)是指攻击者通过精心构造的输入内容，操纵或欺骗AI系统执行非预期行为的技术手段。这种攻击类似于传统的SQL注入或XSS攻击，但其目标是AI模型的提示词处理机制而非数据库或网页。提示词注入利用了大语言模型的一个基本特性：它们被设计为遵循指令。攻击者通过在用户输入中嵌入特定指令，试图覆盖或绕过系统原有的安全限制和行为规则，让模型执行本不应该执行的操作。深度防御：实施多层次防御策略，不依赖单一安全措施持续更新：随着攻击技术的发展不断更新防御措施安全设计优先。

免责声明：本资料部分整理自合法网络公开渠道，部分为个人学习积累成果，仅作学习参考、学术交流使用。所收费用仅为资料搜集整理的时间劳务酬劳。版权归原作者及出版方所有，本人不承担相关版权及内容法律责任，若有侵权请告知，即刻删除处理。 4208

notes for llm-universe C2

Prompt 最初是 NLP（自然语言处理）研究者为下游任务设计出来的一种任务专属的输入模板，类似于一种任务（例如：分类，聚类等）会对应一种 Prompt我们每一次访问大模型的输入为一个 Prompt，而大模型给我们的返回结果则被称为 Completion。

2301_81944256的博客 1135

Spring Boot整合AWS S3文件上传实战：从配置到权限管理全流程解析

本文详细解析了Spring Boot整合AWS S3文件上传的全流程，包括基础配置、核心上传功能实现、高级权限控制及安全最佳实践。通过实战案例展示如何高效处理文件上传、大文件分片及权限管理，帮助开发者构建健壮的文件管理系统。特别强调AWS S3的高可用性和安全性，适用于企业级应用开发。

sam99的博客 283

WiseFlow本地搭建实录---保姆教程

本文介绍了如何从0开始搭建wiseflow的个人情报官的方法，目前所有的API全部都是免费的，对机器没有要求，大家可以放心搭建

liuhui244的博客 1962

动手学大模型应用开发：llm-universe 项目全景导读与学习路线

本文是 Datawhale 开源项目 llm-universe（动手学大模型应用开发）的项目导读与学习路线指南，帮助你快速了解该项目"为什么做、面向谁、学什么、怎么学"。读完本文，你将掌握该教程的三大部分内容框架、个人知识库助手项目的完整开发链路（LLM API 调用 → 知识库搭建 → RAG 应用构建 → 系统评估），以及仓库的目录结构与配套资源（[notebook](https://link

gitblog_00168的博客 371

《数据结构》04-树4 是否同一棵二叉搜索树

题目给定一个插入序列就可以唯一确定一棵二叉搜索树。然而，一棵给定的二叉搜索树却可以由多种不同的插入序列得到。例如分别按照序列{2, 1, 3}和{2, 3, 1}插入初始为空的二叉搜索树，都得到一样的结果。于是对于输入的各种插入序列，你需要判断它们是否能生成一样的二叉搜索树。输入格式: 输入包含若干组测试数据。每组数据的第1行给出两个正整数N (≤10)和L，分别是每个序列插入元素的个数和需要...

叫我皮卡丘 2012

Datawhale 5月llm-universe 第2次笔记

打开 VSCode 的终端（快捷键：`Ctrl + ``）输入：nginx。

weixin_44811994的博客 824

三极管和MOS管工作原理详解

PN结的形成 PN结是三极管以及场效应管中最基本的组成部分，要想彻底搞明白三极管以及场效应管的工作原理，必须先搞清楚PN结形成的原理和工作特性。本征半导体以及空穴对本征半导体（intrinsic semiconductor)）完全不含杂质且无晶格缺陷的纯净半导体称为本征半导体。主要常见代表有硅、锗这两种元素的单晶体结构。硅、锗都是4价原子，在半导体内部形成相对稳定的共价键结构，如图 1所

技术交流是便宜的的博客 10万+

静态随机存储器（SRAM）

静态随机存储器（SRAM）是一种广泛用于计算机系统和嵌入式设备中的高速随机访问存储器。与动态随机存储器（DRAM）不同，SRAM 不需要定期刷新，因此可以实现更快的访问时间和更低的功耗。SRAM通常用于缓存、高速缓冲器和存储器应用程序中，其中性能和可靠性至关重要。

JAZJD的博客 8148

零基础玩转大模型开发：llm-universe完整安装与实战指南

Datawhale llm-universe是一个面向小白开发者的大模型应用开发教程，通过本指南，你将快速掌握大模型开发环境搭建与核心功能实战，轻松开启AI开发之旅。 ## 为什么选择llm-universe？在AI技术迅猛发展的今天，大模型应用开发已成为必备技能。llm-universe作为一站式学习平台，整合了最新的LangChain框架（v0.3版本），提供从环境配置到实际应用部署的全

gitblog_01414的博客 936

解题报告-美团点评2017秋招笔试编程题--常见动态规划问题

晚上就要美团笔试了，在牛客上刷套美团的题练练手，四道题目全都是典型题目，经典的连题面都懒得改那种，也都不难，很基础的动态规划问题。[编程题] 大富翁游戏时间限制：1秒空间限制：32768K大富翁游戏，玩家根据骰子的点数决定走的步数，即骰子点数为1时可以走一步，点数为2时可以走两步，点数为n时可以走n步。求玩家走到第n步（n<=骰子最大点数且是方法的唯一入参）时，总共有多少种投骰子的方法。输...

聂小白的专栏 1719

LLM Universe 大模型应用开发技术文档

LLM Universe 大模型应用开发技术文档【免费下载链接】llm-universe 本项目是一个面向小白开发者的大模型应用开发教程，在线阅读地址：https://datawhalechina.github.io/llm-universe/ ...

gitblog_01420的博客 628

假人有限元模型

假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具

LLM Universe 错误处理机制：API 调用异常与重试策略实现

在大语言模型（LLM）应用开发中，API调用的稳定性直接影响用户体验。网络波动、服务限流、密钥失效等问题都可能导致调用失败。本文将系统介绍LLM Universe项目中的错误处理机制，重点讲解API调用异常类型识别、重试策略设计与实现，帮助开发者构建更健壮的应用。 ## 异常类型与识别方法 LLM API调用过程中可能遇到多种异常，需要针对性处理。常见错误类型包括网络连接错误、认证失败、请求限...

gitblog_00701的博客 1105

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。

Datawhale llm-universe 教程全解析：从零上手大模型应用开发、RAG 与个人知识库助手实战

> 本教程是 Datawhale 开源的大模型应用开发学习项目，面向只具备基础 Python 能力、没有算法基础的小白开发者，以"个人知识库助手"这一通用项目为主线，串联起 LLM 原理、API 调用、知识库搭建、RAG 应用构建与系统评估优化的完整链路。读完本文，你将掌握大模型应用开发的一般流程，能够读懂并运行仓库中的 Notebook 与源码示例，最终独立搭建出一个可用的知识库问答应用。 #

gitblog_00145的博客 966

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

notes for llm-universe C5

现在，我们已经构建了一个简单的、一般化的大模型应用。以调用、发挥大模型为核心的大模型开发相较传统的 AI 开发更注重验证迭代因此，在使用 LLM 构建应用程序时，你可能会经历以下流程：首先，你会在一到三个样本的小样本中调整 Prompt ，尝试使其在这些样本上起效。随后，当你对系统进行进一步测试时，可能会遇到一些棘手的例子，这些例子无法通过 Prompt 或者算法解决。这就是使用 LLM 构建应用程序的开发者所面临的挑战。

2301_81944256的博客 1113

notes for llm-universe C1

LLM 有时会产生与客观事实不符的信息，导致用户接收到的信息不准确。RAG 通过检索数据源，辅助模型生成过程，确保输出内容的精确性和可信度，减少信息偏差。LLM 基于静态的数据集训练，这可能导致模型的知识更新滞后，无法及时反映最新的信息动态。RAG 通过实时检索最新数据，保持内容的时效性，确保信息的持续更新和准确性。LLM 生成的内容往往缺乏明确的信息来源，影响内容的可信度。RAG 将生成内容与检索到的原始资料建立链接，增强了内容的可追溯性，从而提升了用户对生成内容的信任度。

2301_81944256的博客 1617

3分钟上手llm-universe：从0到1搭建个人AI知识库

你是否还在为海量文档检索效率低而烦恼？是否想拥有一个能理解你文件内容的智能助手？本文将带你3分钟快速入门llm-universe项目，从零开始搭建属于自己的个人AI知识库，让你轻松实现文档智能问答。读完本文你将学会： - 快速安装部署llm-universe项目 - 构建个人专属知识库 - 实现智能问答功能 - 掌握基础故障排查方法 ## 项目简介 llm-universe是Datawha...

gitblog_01420的博客 800

llm-universe | 四. 构建RAG应用

Streamlit 是一种快速便捷的方法，可以直接在*Python 中通过友好的 Web 界面演示机器学习模型*。Streamlit 提供了一组简单而强大的基础模块，用于构建数据应用程序：st.write()：这是最基本的模块之一，用于在应用程序中呈现文本、图像、表格等内容。st.title()、st.header()、st.subheader()：这些模块用于添加标题、子标题和分组标题，以组织应用程序的布局。

m0_37634594的博客 1300

如何开发LLM Universe文本纠错系统：语法检查与语义修正完整指南

LLM Universe文本纠错系统是基于大语言模型开发的智能语法检查和语义修正工具，能够帮助用户快速检测和修正文本中的语法错误、语义不通顺等问题。本教程将手把手教你如何使用LLM Universe框架构建专业的文本纠错应用。 ## 🎯 文本纠错系统核心功能 LLM Universe文本纠错系统具备以下强大功能： - **语法错误检测**：自动识别拼写错误、语法结构问题 - **语义修正建议

gitblog_00016的博客 503

【限时免费】 4.10热门项目推荐：llm-universe - 零门槛掌握大模型应用开发

4.10热门项目推荐：llm-universe - 零门槛掌握大模型应用开发【免费下载链接】llm-universe 本项目是一个面向小白开发者的大模型应用开发教程，在线阅读地址：https://datawhalechina.github.io/llm-universe/ ...

gitblog_01414的博客 376

LLM Universe语义缓存终极指南：如何减少90%的重复计算与API调用成本

在大模型应用开发中，重复的API调用和计算不仅导致高昂的成本，还会显著降低系统响应速度。Datawhale / llm-universe项目作为面向小白开发者的大模型应用开发教程，提供了一套完整的语义缓存解决方案，帮助开发者轻松实现90%的成本节约。本文将详细介绍语义缓存的核心原理、实施步骤及最佳实践，让你快速掌握这一提升效率的关键技术。 ## 为什么需要语义缓存？揭开重复计算的隐形成本 🚀

gitblog_00261的博客 1031

【打卡】2406Datawhale-llm-universe-汇总

LLM零基础，在这篇博客完成打卡记录。本项目是一个面向小白开发者的大模型应用开发教程，旨在基于阿里云服务器，结合个人知识库助手项目，通过一个课程完成大模型开发的重点入门。【教程地址】https://datawhalechina.github.io/llm-universe/【开源项目仓库】https://github.com/datawhalechina/llm-universe。

张不懂的博客 2174

3分钟搞定大模型下载：LLM Universe模型加速神器全解析

还在为下载大型语言模型而烦恼吗？网络不稳定、境外资源访问慢、存储空间不足——这些痛点让很多开发者望而却步。今天，我们为你介绍LLM Universe项目中的模型下载神器，只需3分钟就能掌握高效下载大模型的核心技巧，让你专注于应用开发而非等待下载。 ## 核心痛点：大模型下载的三大挑战在开始构建大模型应用时，我们常常面临以下问题： 1. **下载速度慢**：动辄几十GB的模型文件，国际网络连

gitblog_00965的博客 507

私人笔记：动手学大模型应用开发llm-universe项目环境创建

解决langchain相关报错记录:PydanticUserError：you should define `Union`, then call `LLMBashChain.model_rebuild()`.PydanticUserError：you should define `BaseCache`, then call `LLMBashChain.model_rebuild()`.的方法

m0_72851153的博客 466

上一篇：（llm-universe）C1 大模型简介

下一篇：（llm-universe）C3 搭建知识库

SAR成像处理基本知识2——图像尺寸与回波尺寸的关系

爱学习的小伟的博客

11-23

4954