- 博客(1349)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 Cline与Cherry Studio中配置MCP Server
Cline 是 VSCode 的一款 AI 编程插件，以任务分解和自动化执行见长。通过 MCP，Cline 可以调用浏览器、编辑文件、运行终端命令，甚至连接数据库和代码仓库，将复杂需求拆解为小步骤逐一完成。Cherry Studio 是一款集多模型对话、知识库管理、AI 绘画、翻译等功能于一体的 AI 助手平台，支持 Windows、Linux 和 macOS。它提供了可视化的 MCP 配置界面，适合大众用户快速构建“低代码智能流程”。
2026-09-19 10:31:56
155
原创 Cursor中配置与使用MCP Server实战案例
通过 Cursor + MCP，开发者可以在编辑器内完成复杂的多工具协同任务，无需在不同软件之间频繁切换。安装 Node.js / uv 等运行环境；在中配置需要的 MCP Server；切换到 Agent 模式；用自然语言描述任务，让 Cursor 自动调用工具链完成。随着 MCP 生态的日益丰富，Cursor 将成为更强大的 AI 编程助手，能够处理从代码生成到数据分析、从网页采集到自动化部署的复杂工作流。
2026-09-17 12:44:29
185
原创 MCP Server实战
我们要构建一个本地智能舆情分析系统，用户只需用自然语言输入一句话，例如：“分析一下小米汽车最近的新闻舆情。从搜索引擎获取相关新闻；对新闻内容进行情感分析；生成结构化的 Markdown 报告；将报告作为附件发送到指定邮箱。整个系统运行在本地环境，通过stdio进程间通信，无需依赖远程服务部署，适合敏感数据处理、本地文本分析和低延迟响应场景。使用FastMCP开发了本地 MCP Server；使用在 Client 中启动并连接 Server；
2026-09-17 12:39:17
166
原创 MCP协议核心概念与架构解析
MCP 的出现，为 LLM 与外部世界的交互提供了一种统一标准。统一接口：一次开发，多客户端复用；降低集成成本：避免 M×N 的碎片化连接；增强 Agent 能力：让 LLM 不仅能“说”，还能“做”；生态繁荣：越来越多标准化工具可即插即用。对于开发者来说，理解 MCP 的架构与工作流程，是构建 AI 原生应用、Agent 系统的重要基础。
2026-09-16 18:24:04
353
原创 Spring AI综合案例
澄清：在与用户交互过程中，你需要明确回答用户关于招聘方面的问题，对于非招聘方面的问题，你的回应是‘我只是一个招聘助手，不能回答这个问题哦’。该助手借助 Spring AI 的特性结合人工智能技术，为企业提供快速查看应聘候选人的信息及与候选人岗位的匹配度的服务。角色与目标：你是一个招聘助手，会针对用户的问题，结合候选人经历，岗位匹配度等专业知识，给用户提供指导。个性化：在回答时，你需要以专业可靠的预期回答，偶尔可以带点幽默感。指导原则：你需要确保给出的建议合理科学，不会对候选人的表现有言论侮辱。
2026-08-24 17:39:22
325
原创 Spring AI实现RAG
向量数据库（Vector Database）是一种以数学向量的形式存储数据集合的数据库，通过一个数字列表来表示维度空间中的一个位置。在这里，向量数据库的功能是可以基于相似性搜索进行识别，而不是精准匹配。比如说在使用一个商城系统的向量数据库进行查询的时候，用户输入“北京”，其可能返回的结果会是 “中国、北京、华北、首都、奥运会” 等信息；输入“沈阳”，其返回结果可能会是“东北、辽宁、雪花、重工业”等信息。当然，返回的信息取决于向量数据库中存在的数据。用户可以通过参数的设置来限定返回的情况，进而适配不同的需求。
2026-08-24 17:36:51
489
原创 Spring AI的其他模型
在Spring AI框架中，Image Model API旨在为与专注于图像生成的各种AI模型进行交互提供一个简单且可移植的接口，使开发者能够以最小的代码改动切换不同的图像相关模型。这一设计符合Spring模块化和互换性的理念，确保开发者可以快速调整其应用程序以适应不同的图像处理相关的AI能力。此外，通过支持像ImagePrompt这样的辅助类来进行输入封装以及使用ImageResponse来处理输出，图像模型API统一了与致力于图像生成的AI模型之间的通信。
2026-08-24 17:33:47
155
原创 Spring AI Alibaba
随着生成式 AI 的快速发展，基于 AI 开发框架构建 AI 应用的诉求迅速增长，涌现出了包括 LangChain、LlamaIndex 等开发框架，但大部分框架只提供了 Python 语言的实现。但这些开发框架对于国内习惯了 Spring 开发范式的 Java 开发者而言，并非十分友好和丝滑。
2026-08-24 17:29:41
413
原创 Spring AI调用Ollama
它支持多种开源模型（如 LLaMA、Alpaca 等），并提供了简单的 API 接口，方便开发者调用。Ollama可以让你在自己的电脑上运行各种强大的 AI 模型，就像运行普通软件一样简单。点击环境变量，选择下面新建一个系统环境变量 OLLAMA_MODELS ，然后指定想要安装模型的路径 ，比如 “D:\Deepseek”选择适合自己的版本 https://ollama.com/library/deepseek-r1。入门配置：NVIDIA显卡（≥8GB显存） → 适合7B/8B模型。
2026-08-24 17:22:46
246
原创 Spring AI的函数调用
Spring AI 的函数调用（Function Calling）功能允许大语言模型在生成回答时触发预定义的外部函数，从而实现动态数据获取或业务逻辑操作（如查询数据库、调用 API 等）。SpringAI 帮我们规范了函数定义、注册等过程，并在发起模型请求之前自动将函数注入到 Prompt 中，而当模型决策在合适的时候去调用某个函数时，Spring AI 完成函数调用动作，最终将函数执行结果与原始问题再一并发送给模型，模型根据新的输入决策下一步动作。
2026-08-24 16:23:35
307
原创 Spring AI的聊天模型
Spring AI的聊天模型API为开发者提供了一条便捷通道，能够将强大的AI驱动的聊天完成功能无缝集成到各类应用中。借助预先训练的语言模型，如广为人知的GPT，它能够依据用户输入生成自然流畅、类人化的回复。这一API不仅工作机制高效，而且设计理念极为先进，旨在实现简单易用与高度可移植性，让开发者能以极少的代码改动在不同AI模型间自由切换，充分契合Spring框架一贯秉持的模块化与可互换性原则。ChatClient 接口提供了构建和配置聊天客户端对象的灵活性，以及发起和处理聊天请求的能力。
2026-08-24 16:21:29
325
原创 Spring AI快速入门
在当今这样一个快速发展的技术时代，人工智能（AI）已经成为各行各业的一种标配。而作为一款主流的Java应用开发框架Spring，肯定会紧跟时代的潮流，所以，推出了Spring AI框架。DeepSeek 是一款由深度求索所开发的 AI 人工智能大模型，其基于深度学习和多模态数据融合技术，采用先进的 Transformer 架构和跨模态协同算法，可实现对复杂文档和图像的自动化解析与结构化信息提取。
2026-08-22 11:41:31
321
原创 RAG企业实战:答案输出节点
1）判断state 中的answer是否已经存在，如果存在直接输出answer中的答案，注意判断是否需要流式输出需要则流式输出2）根据state中的问题、重新问题、历史对话、提问商品（item_names）、 重排内容 组织prompt 并调用llm3）调用大模型输出答案 ，注意判断是否需要流式输出需要则流式输出4）把答案写入到mongodb的history中 利用clients/mongo_history_utils.py中的save_chat_message方法5）
2026-08-21 16:11:05
93
原创 RAG企业实战:Rerank重排序
核心目标：将来自不同来源的检索结果合并，根据语义利用专业的打分模型进行重新评分，并根据评分再次进行筛选。场景：由于 RRF 只能对于同源的检索结果进行打分筛选，但应对不同源的（比如：切片与网页搜索结果）就力不从心了。这时就需要 Rerank 出场了。机制：相对 RRF 这种只依靠一个公式就能打分，Rerank 就比较复杂耗时了，Rerank 的是一种依靠 AI 模型精读打分，它会仔细阅读文章与问题得出相关性评分，这与大模型的机制非常接近。是北京人工智能研究院（BAAI）发布的重排序模型本体。
2026-08-21 16:03:02
158
原创 RAG企业实战:结果融合重排
融合重排 (Reciprocal Rank Fusion) 做去重+融合打分，输出一个统一的 TopN 列表rrf_chunks供后续回答/重排使用。目标：为多路召回的同一数据源（向量数据库两路）的切片进行排序筛选。核心策略：就是把统一切片每一路排名的倒数和该路权重相乘作为累加起来，然后把多路的切片汇总排序截取前 n 名。也就是说出现次数越多分越高，排名越高分越多，该路权重越大分越高。其中score_map保存每个切片的累计分数。pos就是该路的当前排名。weight是该路的权重。k。
2026-08-21 15:07:03
188
原创 RAG企业实战:网络搜索文档
初始化 MCPparams={try:# 直接调用工具# arguments={"query": "今天北京的天气情况", "count": 5}finally:params={},try:finally:MCPServerStreamableHttp 是 Agents SDK 里的 MCP 连接器，负责连 streamable-http 的 MCP Server。MCP Adapter 是“翻译层”，把 MCP 暴露的 tools 转成 LangChain 可调用对象。
2026-08-21 15:03:03
165
原创 RAG企业实战:文档向量搜索
HyDE（Hypothetical Document Embeddings，“假设文档向量化”）是一种让检索更“聪明”的技巧。当用户只给出一句短问题时，系统先不急着去向量库里硬搜，而是先让大模型“脑补”出一段可能的答案或相关描述——就像先写一段“假想的说明书”。这段文字通常更具体、更像一篇小文档，包含更多关键词、背景和表达方式。接着，把这段“假想文档”做成向量，再拿它去向量库里找相似内容。结果往往比直接拿那一句短问题去做向量检索更准，因为检索时用的是更“饱满”的语义信号。它的。
2026-08-21 13:32:22
571
原创 RAG企业实战:MongoDB历史对话存储
MongoDB 是一个基于分布式文件存储的数据库，由 C++ 语言编写。旨在为 WEB 应用提供可扩展的高性能数据存储解决方案。MongoDB 不需要显式创建数据库，当往一个不存在的数据库中写入数据时，它会自动创建。在 MongoDB 服务中创建数据库和 Collection（kb002）。，这是 MongoDB 官方提供的图形化管理工具。命令行或 MongoDB Compass 的。在 MongoDB 中，数据存储在。每条数据代表一条对话。
2026-08-21 12:28:23
286
原创 RAG企业实战: 产品确认节点
如果 Step 5 把商品名修正了（例如从“HAK”修正为“HAK 180 烫金机”），但 rewritten_query 仍然保留着旧的、可能不准确的商品名描述，确实会造成 不一致。在 Step 6 或 Step 7 中，如果确认了新的标准商品名，理论上应该 再次 把 rewritten_query 中的旧商品名替换为新确认的标准名。：将提取出的商品名转化为向量，并在 Milvus 库中搜索最相似的标准商品名。：根据搜索评分（Score）判定商品名是“确认”、“候选”还是“无效”。
2026-08-21 12:21:45
403
原创 RAG企业实战:Web服务端搭建
本文摘要介绍了基于FastAPI构建的后端服务与前端交互设计，重点围绕知识库查询系统的实现展开。主要内容包括： 前端交互设计 页面分为顶栏、对话区和输入区，支持实时状态展示与流式交互 采用SSE长连接实现进度更新与流式文本推送，形成"提交-监听-更新"的数据闭环 服务接口设计 提供6个核心接口：页面访问、查询提交、流式推送、历史记录管理及健康检查 定义清晰的JSON交互格式和状态事件（progress/delta/final） 技术实现 通过FastAPI构建RESTful服务，使用Pydantic进行数据
2026-08-19 12:33:50
167
原创 RAG企业实战:SSE快速入门
专门解决异步场景下 “生产者 - 消费者” 的通信问题，你可以把它理解成一个「异步版的消息中转站」—— 生产者（比如你的后台任务）往里面丢数据，消费者（比如你的 SSE 接口）从里面取数据，全程不阻塞、不轮询，比你之前用的 “列表 + 轮询” 高效得多。FastAPI 提供的专门用于 “流式返回数据” 的响应类，接收一个生成器（或异步生成器）作为参数，会逐次把生成器 yield 的内容发送给客户端。是 SSE 协议的扩展属性，用于分类消息，前端可通过。的用法特别简单，核心就 3 个方法，且都需要用。
2026-08-19 12:12:08
332
原创 RAG企业实战:数据图与状态定义
所有节点共享同一个状态对象。我们需要定义它来存储处理过程中的数据（如 查询原始问题、改写问题、历史对话、不同方向切片结果等）。fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;用户查询入口开始1.意图识别与改写2.多路召回向量搜索HyDE检索网络搜索3.结果融合与粗排4.重排序5.LLM生成答案结束SSE流式输出文件"""
2026-08-18 19:00:00
490
原创 RAG企业实战:web服务集成
本章节介绍如何将上述实现的 LangGraph 知识库导入流程集成到 FastAPI Web 服务中，并提供可视化界面供用户上传文件和查看导入进度。，你应该能够看到 FastAPI 自动生成的交互式文档，并在根路径 (“/”) 返回的 JSON 响应。FastAPI 提供了内置的交互式 API 文档，使开发者能够轻松了解和测试 API 的各个端点。函数会在后台运行（不阻塞 HTTP 响应），它监听图的执行事件，并实时更新任务状态。展示如何在返回响应后继续执行耗时操作（如发送邮件、处理数据），避免阻塞用户。
2026-08-18 18:15:00
446
原创 RAG企业实战:Milvues向量数据库实践
函数逻辑Step 1: 检查输入 (Step 2: 准备环境 (Step 3: 清理旧数据 (Step 4: 插入数据 ("""1. 检查数据 chunks是否存在2. 前置准备工作 准备 milvus的集合和字段等3. 删除旧数据4. 查询chunks的数据即可""""""节点: 导入向量库 (node_import_milvus)为什么叫这个名字: 将处理好的向量数据写入 Milvus 数据库。"""# 准备日志和任务列表# 1. 检查数据 chunks是否存在。
2026-08-16 10:47:56
201
原创 RAG企业实战:向量化
定义函数，串联各个步骤。"""1. 输入校验：验证chunks有效性，核心数据缺失则终止当前节点2. 模型初始化：获取BGE-M3单例模型实例，避免重复加载3. 批量向量化：分批拼接文本、生成双向量，为切片绑定向量字段4. 状态更新：将带向量的chunks更新回全局状态，供下游Milvus入库节点使用""""""节点: 向量化 (node_bge_embedding)为什么叫这个名字: 使用 BGE-M3 模型将文本转换为向量 (Embedding)。"""# 日志和任务队列处理。
2026-08-16 10:44:11
202
原创 RAG企业实战:Milvues向量数据库
步骤1：定义.env配置参数.env# Milvus 配置# 切换成你milvus的url地址# 存储切片集合# 预留# 存储每个文档对应的实体类步骤2：读取配置参数# 导入核心依赖（和其他配置类共用，只需导入一次）import os# 提前加载.env配置文件（全局执行一次即可，无需重复写）# ===================== 其他配置类（LLM/Embedding）可放在上方，保持原有代码不变 =====================
2026-08-16 10:35:03
327
原创 RAG企业实战:主体识别
词向量（Word Vector/Embedding）就是把文字（比如 “苏泊尔 5000W 大功率电磁炉”）转换成计算机能理解的数字列表（向量）的过程。打个比方人类理解文字：“苹果手机”= 品牌（苹果）+ 品类（手机）；计算机理解文字：没法直接懂 “苹果手机”，但能懂这样的数字列表；词向量的作用：把文字的语义信息（含义、特征、关联度）编码成数字，让计算机能 “计算文字相似度”“分类文字”“检索相似内容”。举个简单例子文字对应的词向量（简化版，实际是几百 / 几千维）苹果手机华为手机。
2026-08-16 10:15:41
304
原创 RAG企业实战:文档切分
定义 LangGraph 的节点入口函数，串联所有步骤。"""1. **获取与清洗内容 (Step 1)**从 `state` 中提取 Markdown 内容与文件标题，统一换行符格式（`\r\n` / `\r` → `\n`），保证跨平台兼容。2. **按标题语义初切 (Step 2)**基于 Markdown 标题语法（`#` ~ `######`）进行**语义级切分**，自动跳过代码块内的标题匹配，避免误切注释，保证每个块语义完整。3. **无标题文档兜底处理 (Step 2 内置)**
2026-08-15 09:46:31
454
原创 RAG企业实战:Markdown图片检索
是本节点的入口函数，它定义了整个图片处理的流水线。我们先定义好步骤，具体的实现细节在后续部分展开。"""主要目标: 就是将md中的图片进行单独处理,图片转成对应的语义文本,方便后续进行切片搜索!主要动作: 图片 -> 图片服务器 -> (上文)图片内容(下文) -> 传递到视觉模型 -> 生成图片总结-> 替换md原有的图片显示 -> state 修改md_content / md_path 新内容 -> 结束。
2026-08-15 09:40:31
530
原创 RAG企业实战:PDF转Markdown
定义入口函数，清晰展示三个主要步骤的调用关系。"""参数： state [is_pdf_read_enabled = True | pdf_path = xxx.pdf | local_dir = output ]返回： state [md_path = 地址 | md_content = 内容 ]1. 日志和任务状态2. step_1_validate_paths路径校验3. step_2_upload_and_poll minerU的交互。
2026-08-14 12:48:05
600
原创 RAG企业实战:导入数据节点
作为数据加载流程的“总调度员”，负责接收外部输入的文件，识别文件类型（PDF或Markdown），并根据类型开启相应的处理分支。同时，它提取文件名作为全局元数据，并初始化任务追踪状态，确保后续流程可追溯、可监控。
2026-08-14 12:43:43
309
原创 RAG企业实战:数据图与状态定义
所有节点共享同一个状态对象。我们需要定义它来存储处理过程中的数据（如 PDF 路径、MD 内容、切片列表、向量等）。node_entry- 读 local_file_path ：因为要判断输入是 .md 还是 .pdf。- 读 task_id ：任务追踪。- 写 is_md_read_enabled / is_pdf_read_enabled ：给路由函数决定下一跳。- 写 md_path / pdf_path ：把原始文件路径标准化到后续节点约定字段。
2026-08-12 16:16:28
464
原创 RAG企业实战:环境搭建
使用 方式创建虚拟环境，如果之前用其他方式安装过 则此处会自动识别出 路径，如果没安装过 直接点击 版本没有 选项，则选择 ，类型选 ，然后再点击 安装完uv 后将 uv 路径配置在系统的 环境变量中：例如我的路径是 为uv命令配置国内镜像源。以管理员身份运行如果运行报如下错误：则在 中设置安全策略允许本地脚本执行，方式如下：然后执行以下命令创建uv配置文件编辑 文件，添加以下内容1.3 安装指定版本解释器&同步环境打开命令行终端，执行以下命令安装 回到 创建项目的页面，选择 P
2026-08-12 16:05:35
325
原创 RAG企业实战:模块流程设计
我们通过结构化处理，为每个切片附加元数据（如产品名称、层级标题），将孤立文本转化为具备独立语义的知识单元。本模块旨在构建一套高效的数据处理流水线，将非结构化文档（如PDF、Markdown）转化为计算机可处理、AI可理解的结构化知识单元。我们采用高精度解析工具，像"文档翻译官"一样，完整保留文档的层级结构（标题、章节），并关联图片上下文，确保信息无损还原。本模块旨在构建一套高精度、低延迟的智能问答检索流水线，将用户的自然语言问题转化为精准的答案。进行检索流水线的编排，按照。
2026-08-11 16:12:35
405
原创 RAG企业实战：RAG项目介绍
RAG（Retrieval-Augmented Generation）检索增强生成，是当前大模型企业级应用的主流架构。传统大模型仅依靠训练知识回答问题，在陌生领域、私有业务、实时信息等场景下容易出现事实幻觉、答案不准确、引用不可靠等问题。RAG 通过 **“先检索、再生成”**的方式，让大模型在回答前先从外部知识库中查找相关事实材料，再基于真实资料生成答案，从根源上提升回答的准确性、可信度与可追溯性。2026 年：1M（百万 token）成旗舰标配，128K 是主流门槛。
2026-08-11 16:01:28
524
原创 LangGraph节点边高级特性完整实战
1 节点只返回增量数据，支持缓存、自动重试优化稳定性 2 条件边实现分支循环，是 ReAct 智能体底层支撑 3 interrupt 实现人机协同审核，生产风控必备 4 stream 多流式模式适配前端实时展示、开发调试。
2026-08-09 10:54:45
337
原创 LangGraph核心状态State完整
轻量化，适合绝大多数业务query: str用 Annotated 绑定合并函数，实现消息累加不覆盖# 每次节点返回消息自动拼接，不会覆盖。
2026-08-09 10:51:14
159
原创 LangGraph快速上手入门
LangGraph 是有状态流程图框架，专门用来做复杂循环、分支、断点恢复的 AI 智能体。简单说：LangChain 只能写一条顺向流水线；LangGraph 能画流程图，支持循环、判断、暂停人工审核、故障续跑。
2026-08-09 10:47:11
213
原创 LangChain Agent智能体完整实战
tool"""查询指定城市日期的天气"""return f"from langchain . tools import tool @tool def get_weather(city : str , date : str) : """查询指定城市日期的天气""" return f" {city } {date } 多云" llm = ChatOpenAI() . bind_tools([ get_weather ])
2026-08-08 14:32:32
220
原创 RAG进阶
本文介绍了向量数据库Milvus的核心概念与应用。主要内容包括：1) Milvus架构分层设计和数据结构（Collection/Entity）；2) 稠密/稀疏向量索引类型（HNSW/倒排）；3) 部署方式与集合创建流程；4) 三大检索方法：稠密向量语义匹配、稀疏向量关键词搜索及混合检索（RRF重排序最优）；5) 完整RAG实现链路：文本切片→向量入库→混合检索→LLM生成。重点强调了Milvus在亿级向量下的高效相似度搜索能力，以及混合检索方案如何兼顾语义与关键词匹配优势。
2026-08-08 14:20:43
159
jsp+mysql简单用户管理系统.rar
2020-07-09
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人