专业的计算机毕业设计指南

这篇文章写到这里，已经一万八千多字了。我想跟正在看这篇文章的你说几句心里话：很多同学在选毕设项目的时候，总想着"找个最简单的，能糊弄过去就行"。你花在项目上的每一分钟，最后都会变成你简历上的竞争力。你糊弄毕设，毕设就糊弄你。你认真做项目，项目就给你带来offer。「智能健康饮食系统」这个项目，它不是一个随便做做的CRUD Demo。它背后站着的是千亿级的健康管理赛道，是普通人对健康饮食的真实需求。你学会了SpringBoot怎么开发中型项目你理解了前后端分离的完整流程。

本章阐述面向对象三大特征之一的封装。通过约定式（单下划线）、接口式（@property）和名称改写式（双下划线）三种方式实现，分别达成逻辑隔离、简洁访问与语法级保护。其中，Python 以约定为主，强调“外部勿扰”，而双下划线通过名称改写防止子类误覆写，非真正私有。核心目标为隐藏实现、保障数据安全、降低耦合，提升代码可维护性。

本章介绍Python函数的基本概念与应用。函数是封装可重复代码的单元，通过def定义，支持参数传递与返回值。函数提高代码复用性、可读性和维护性，便于团队协作。强调函数文档的重要性，使用help()查看说明。重点讲解形参与实参、参数传递机制，以及可变与不可变类型对引用的影响。掌握函数定义、调用及返回值处理，是编写高效Python程序的基础。

Python容器类型包括列表、元组、字符串、集合、字典等，用于存储和组织数据。它们在可变性、有序性、重复元素支持等方面各有特点。常见操作如len()、in判断、遍历、max()、min()、sum()（数值型）等为通用操作。通过实例演示了各类容器的基本用法与特性，帮助理解其适用场景。

本章介绍Python流程控制语句，涵盖顺序结构、输入输出语句及多种输出格式化方法。通过input()接收用户输入，使用print()进行输出，支持普通输出、%格式化、.format()和f字符串等多种方式，实现灵活的数据显示与格式控制，如对齐、填充、精度设定等，并结合练习巩固知识应用。

本章介绍了Python开发环境的搭建流程：首先从官网下载并安装Python，推荐使用标准安装版，并勾选添加环境变量；通过命令行验证安装成功后，学习了交互式命令行与脚本模式编写第一个Python程序。随后，安装PyCharm集成开发环境，配置语言、主题、编码（UTF-8）、字体及代码补全等基础设置，并创建纯Python工程，为后续编程学习奠定基础。

本项目使用 uv进行依赖管理与虚拟环境管理，如下图所示注意:pycharm中使用方便的uv需要再2025版本（创建项目出现uv图标）UV（Unified Virtualenv ）是一款由 Astral 公司开发的。

本项目以数据仓库的元数据为核心，使用 MySQL 存储结构化元数据信息，结合 Qdrant 构建语义向量索引、Elasticsearch 构建全文索引，形成统一的元数据知识库。查询过程中，系统首先根据用户自然语言问题进行多路召回，筛选相关表、字段及指标定义，再将元数据信息与用户问题共同输入大模型生成 SQL，最终完成自动查询与结果返回，确保生成结果的准确性与可控性。夸准特，名字源自单词 quadrant（象限）。

LangGraph 底层是基于。。LangGraph 做了封装：你看不到底层原始通道，你写add_edge就是在配置这套订阅、投递规则。A → B⚠️注意：LangGraph 和原生 Pregel 略有区别：LangGraph 用的是，不是节点之间直接发消息。边，边只控制「下一步跑哪个节点」；数据全部存在全局 State 里，所有节点读写同一个 state。图 1：普通边 Normal Edge。

是节点内部运行时中断，代码执行到这一行直接冻结节点，保存 checkpoint，返回 payload 给调用方，不会往下执行。Checkpointer 必不可少：用来保存中断时完整 state，没有 checkpoint 中断不工作。：外部给中断点回传数据；函数的返回值 = resume 传入的值，从断点继续运行，不是从头重跑整个图LangGraph。适合场景：审批、敏感操作确认、人工编辑大模型输出、人在回路 HITL。节点内中断 VS compile 参数（执行某个节点之前暂停）。

TypedDict（推荐方式）: TypedDict是Python提供的一种类型提示工具，用于为字典（Dict）的键和值指定精确的类型信息。状态类继承TypedDict，定义键的类型和reducer函数（具体参看1.1.4 reducer章节内容）即可；query:strPydantic BaseModel：Pydantic 提供运行时数据校验，并支持静态类型检查工具进行类型推导。状态类通过继承Pydantic的BaseModel，定义键的类型和reducer函数；query:str。

节点：干什么活（执行逻辑）边：下一步去哪里（控制流程、分支）状态：全程共用的备忘录（存所有上下文数据，记忆就在这里）这段代码是LangGraph 基础入门示例，模拟实现一个「RAG 知识库检索 + 网络搜索」的多步骤 Agent 工作流，演示状态图定义、节点编写、边连接、编译运行、导出流程图完整流程。业务逻辑：输入用户 query → 执行 RAG 检索 → 执行 Web 搜索 → 整合两份结果生成最终回答，流程串行执行。用TypedDict定义图全局状态，状态是整个图的共享内存query。

本文介绍了Agent（智能代理）的核心概念、组件和工作机制，并与Chain（链）进行了对比。Agent通过LLM自主决策动态执行任务，包含LLM、工具、记忆和规划四个核心组件，采用“感知→推理→行动”的循环机制逐步完成任务。Agent适用于需要动态判断和多步决策的场景，而Chain更适合流程固定的任务。文章还概述了Agent的技术栈定位和开发建议，强调工具是Agent与外部交互的关键。

大模型生成内容的不可控，尤其在金融和医疗等领域，一次金额评估的错误、一次医疗诊断的失误，哪怕只出现一次都是致命的。但这些错误对于非专业人士来说难以辨识。目前还没有能够百分之百解决这种情况的方案。RAG（Retrieval-Augmented Generation，检索增强生成）的基本思想为：将传统的生成式大模型和实时信息检索技术相结合，为大模型补充来自外部的相关数据和上下文，来帮助大模型生成更加准确可靠的内容。这使得大模型在生成内容时可以依赖实时与个性化的数据和知识，而非仅仅依赖训练知识。就相当于在大模型回

在大模型应用开发中，我们通常需要根据不同的用户输入来构造不同的Prompt。如果每次都手动拼接字符串，不仅代码冗余，还容易出错。提示词模板（Prompt Template）的核心思想是将Prompt中的固定部分与可变部分分离，通过定义模板 + 传入变量的方式，动态生成最终的Prompt。核心价值优势说明复用性一次定义模板，多次使用不同参数参数化支持变量插值和动态内容生成标准化统一管理所有提示词，便于维护和版本控制优化友好独立的模板便于A/B测试和提示词工程。

LangChain Model I/O 核心组件与模型调用实践 本文介绍了LangChain框架中Model I/O的核心组件及模型调用方法。主要内容包括： Model I/O架构：分为提示词模板(Prompts)、模型调用(Models)和输出解析(Output Parsers)三个环节，重点讲解模型调用环节。 模型类型对比： Chat Models（对话型）：现代主流模型接口，输入消息列表，输出AI消息 LLMs（补全型）：已过时的文本补全接口 Embeddings（向量型）：用于文本向量化 统一接口优

带着上面的痛点，我们来认识解决方案——LangChain 是2022年10月由哈佛大学的 Harrison Chase（哈里森·蔡斯）发起研发的开源框架，用于开发由大语言模型（LLMs）驱动的应用程序。官方定义：LangChain 是构建由大语言模型驱动的应用程序的最简单方式。只需不到10行代码，即可连接OpenAI、Anthropic、Google等多种模型。LangChain提供了预构建的Agent架构和模型集成，帮助快速将LLM无缝集成到Agent和应用中。历史背景。

本文介绍了LangChain中Agent的核心概念与基本使用方法。Agent作为以大语言模型为核心的智能系统，具备理解问题、任务拆解、工具调用等关键能力。其核心组件包括行动、工具、规划决策和记忆。文章重点对比了LangChain新旧版本中Agent的创建方式，展示了1.0版本后统一API带来的简洁性。同时详细讲解了两种模型传入方式：直接传入模型字符串或预先初始化的模型对象，并通过代码示例演示了Agent的创建过程。最后指出Agent底层实现是基于LangGraph的状态图结构。

LangChain的结构化输出（Structured Output） 指的是：它的核心目标是把“”变成“”。例如，不是让模型输出：而是让它输出成类似这样的结构：这样做的价值主要有三点：更容易被代码处理：下游系统可以直接读字段，而不是再从自然语言里做解析。结果更稳定：减少“模型说法变了但意思差不多”导致的解析失败。更适合工程化：适用于表单抽取、分类、路由、调用工具参数生成、工作流状态传递等场景。1、传统的几种方式（繁琐、不推荐）2、结构化输出（简洁）为什么第2种结构化输出机制这么受欢迎？在没有 P

要构建更强大的AI工程应用，只有生成文本这样的“纸上谈兵”能力自然是不够的。工具是赋予大语言模型 与外部世界交互能力 的关键组件，从而能让智能体执行搜索、计算、数据库查询、邮件发送或调用第三方API等，进而构建功能强大的AI应用。借助工具，大模型才能从“认识世界”走向“改变世界”。举例：工具是构建智能体的核心要素之一！import os# 从.env文件中加载环境变量# 定义工具return f"

文章摘要 本文介绍了LangChain框架中的消息（Message）机制，它是与大模型交互的基本单元。消息包含角色（Role）、内容（Content）和元数据（Metadata）三部分，通过不同角色（系统、用户、AI助手、工具）区分消息类型。LangChain提供了JSON和对象两种消息格式，支持跨模型统一标准，具有兼容性强、可扩展性高和可追踪性好的特点。文中通过代码示例展示了如何使用这两种格式构建对话上下文，并调用大模型进行交互。消息机制是多轮对话的核心，开发者需要自行维护消息列表来实现对话记忆功能。

LangSmith是LangChain生态中的LLM应用管理平台，提供调试、监控、评估等功能。主要特性包括：追踪LLM调用详情、监控性能指标、管理测试数据集、评估模型输出等。用户可通过官网注册获取API_KEY，并配置环境变量实现监控集成。平台支持提示词管理、可视化调试工具和在线沙盒环境，帮助开发者优化大模型应用性能。登录后台即可查看程序运行记录与各项指标分析。

LangChain也支持使用Ollama 、vLLM 等框架启动的本地大模型。这里以Ollama为例进行演示。Ollama是在Github上的一个开源项目，其项目定位是：一个本地运行大模型的集成框架，可以实现如Qwen、Deepseek 等主流大模型的下载、启动和本地运行的自动化部署及推理流程。

应用为王！学习 LangChain 框架，高效开发大模型应用。大模型应用技术特点：门槛低，天花板高。

本文介绍了Conda的基本概念、安装方法及常用命令。Conda是一个跨平台的包和环境管理工具，可用于创建和管理多个隔离的Python环境，解决不同项目间的依赖冲突问题。Anaconda和Miniconda是Conda的两种发行版，其中Miniconda更为轻量级。 文章详细讲解了如何在Windows系统下安装Miniconda，并提供了两种使用方式：通过Anaconda Powershell Prompt终端或配置环境变量后使用cmd终端。此外，还介绍了Conda的常用命令，包括环境管理（创建、切换、查看、

企业部署大模型，不是为了解决“能不能用”，而是必须把敏感数据和服务的控制权牢牢掌握在自己手里。要想数据安全，就需要实现私有化的部署。这里包括大语言模型、嵌入模型、重排序模型以及多模态模型等。第三方API企业级部署安全合规敏感数据泄漏数据掌握在企业手中成本预算高频调用成本不可控成本可预测（服务器购买/租赁和运维成本）能力可控黑箱与版本漂移推理性能、模型版本可定制可靠性延迟、吞吐不可控内网低延迟、弹性扩缩容自由调整吞吐量运维治理模型服务透明，不利于定位故障模型服务可观测，支持故障定位和治理。

如下操作可以在windows的命令行窗口进行，或者在docker客户终端中进行。这里注意，大概率会由于网络问题或镜像缺失问题发生报错。可以再次输入命令重新执行。个别首次安装的小伙伴会被windows系统提示需要安装。下面的操作，在git的readme文档中都有。稍等片刻后会完成安装。输入：docker。然后按需更改.env文件的配置即可。通过win+r调取运行：输入cmd。比如：在终端中进入docker目录。使用方式和官方提供的平台是一样的。首次访问需要设置用户名密码，略。也可以关闭窗口，稍后自行重启。

字节跳动于2025年7月26日开源其AI智能体开发平台Coze（中文名“扣子”），短短48小时内GitHub星标数突破9000+。最大亮点在于其极致亲民的硬件要求——普通家用电脑（2核CPU+4GB内存）即可流畅运行。为什么Coze开源是劲爆新闻？之前我们在Coze上搭建的智能体只能交付给C端用户，如果交付给B端用户通常都是用Dify、n8n等平台上搭建智能体交付，因为企业用户要求数据绝对安全，放在公网上是不能接受的，而Dify恰好是可以私有化部署的。

大模型技术之-Python调用Dify平台工作流大模型技术之-Python调用Dify平台工作流大模型技术之-Python调用Dify平台工作流大模型技术之-Python调用Dify平台工作流大模型技术之-Python调用Dify平台工作流大模型技术之-Python调用Dify平台工作流大模型技术之-Python调用Dify平台工作流

本文详细介绍了如何在Coze平台发布和调试API，以及通过Python代码调用工作流的方法。主要内容包括： API发布：需通过应用发布功能启用API，发布成功后可在工作流画布页面找到调试入口 调试流程： 获取工作流ID和应用ID 授权API Key并自动填充 添加参数并运行测试 查看运行结果（200状态码表示通信正常） Python调用： 使用官方提供的cozepy库 示例代码展示了如何建立连接并处理聊天事件 优化后的代码支持交互式多轮对话 需要安装cozepy包（pip install cozepy） 文

LangChain是由哈佛大学Harrison Chase于2022年10月开发的开源框架，用于构建基于大语言模型（LLMs）的应用程序。它支持多种场景，如Agent构建、问答系统和文档搜索等。LangChain通过标准化模型输入输出（Model I/O）、链式调用（Chains）、检索增强生成（RAG）和智能代理（Agents）等核心模块，简化了LLM集成流程，降低了开发复杂度和学习成本。 环境配置 使用Python 3.12创建虚拟环境，通过conda或pip安装依赖包（如requirements

节点是每个工作流应用（Chatflow / Workflow）必备的预设节点，为后续工作流节点以及应用的正常流转提供必要的初始信息，例如应用使用者所输入的内容、以及。结束节点为流程终止节点，后面无法再添加其他节点，工作流应用中只有运行到结束节点才会输出执行结果。调用大语言模型的能力，处理用户在 “开始” 节点中输入的信息（自然语言、上传的文件或图片），给出有效的回应信息。迭代节点通常配合数组变量使用。Dify 工作流内提供了丰富的工具选择，其中大多数工具的输入为结构化参数，如迭代节点的输入要求为数组格式。

本章介绍了智能体（AI Agent）的概念、发展阶段、应用领域及核心要素。通过实际案例（如个人助理、情感沟通、多模态识别等）展示了智能体的多样化应用。智能体的核心包括大模型作为决策中枢，以及记忆、工具调用、规划决策和行动等模块。根据复杂度不同，智能体可分为三个层次：提示词立人设、工作流定义和自主任务拆解。最后，教程演示了在Cherry-Studio等平台创建简易智能体的步骤，并对比了国内外主流AI平台的智能体功能差异。智能体未来将成为AI系统的基本工作单元，实现软件适应用户的智能化服务。

本文档是大模型低代码开发与部署课程的导论，主要介绍大模型基础概念、应用场景和技术架构。核心内容包括： 大模型定义：基于Transformer架构的海量参数语言模型，具备文本生成、逻辑推理等能力，列举了GPT-5、Claude等主流模型。 应用场景：覆盖智能客服、内容生成、知识问答等7大领域，重点聚焦电商运营场景，包括知识库搭建、Agent开发等具体应用。 技术架构：分为四大板块： 大模型层（DeepSeek、Qwen等） 低代码平台（Coze、Dify等） 部署运维（Docker、vLLM等） 开发工具（P

摘要： LangChain是由哈佛大学Harrison Chase开发的开源框架（2022年10月发布），用于构建基于大语言模型（LLMs）的应用程序，支持Agent、问答系统、文档搜索等场景。其核心模块包括Model I/O（标准化模型输入/输出）、Chains（流程组合）、RAG（检索增强生成）和Agents（任务自动化）。相比直接调用GPT等API，LangChain简化开发流程、降低学习成本，并提供统一接口。 环境配置： 需Python 3.12环境，通过requirements.txt安装依赖，建

RAG（检索增强生成）技术通过结合信息检索与文本生成，提升大模型回答的准确性和可靠性，解决知识更新滞后和幻觉问题。其流程分为离线知识库构建（文档分块、向量化存储）和在线问答（问题检索、提示词组装、生成答案）。知识库搭建适用于个人、企业等多场景，工具选型需考虑轻量级（如Cherry Studio）、平台型（如Dify）或高精度解析（如RAGFlow）。Cherry Studio以小白友好、多模型对比和丰富助手为特色，简化知识库创建与应用。

1）提示词提示词（Prompt）是指用户与大模型交互时输入的内容，用于描述任务目标、提供必要上下文，并约束目标生成结果的形式与范围。2）为什么需要提示词大模型在训练过程中阅读了海量的语料，学到了大量的知识。提示词的作用就是引导大模型用特定的知识回答问题。就好像考试必须给出试题才能作答。3）为什么需要优化提示词合理的提示词可以引导模型输出优质的回答。就好像看医生，如果只是说“我不舒服”，很难判断具体病症，如果详细描述症状，医生就可以做出合理的诊断。**4）提示词工程。

分类标准类别示例按照功能分类生成式大模型嵌入模型重排序模型分类模型通常是经过微调的小模型生成模型按照模态分类大语言模型Qwen3/DeepSeek-V3/GPT-5 语言模块多模态理解模型Qwen3-VL/GPT-5（视觉理解模块）多模态生成模型。

本文用生动比喻对比了CPU、GPU和TPU三种处理器的特点：CPU是全能但并发的"总经理"，适合复杂逻辑任务；GPU是拥有数千核心的"搬砖工人"，专攻并行计算，适用于图形处理和AI训练；TPU是Google专为AI设计的"包饺子机器"，专注矩阵运算。典型应用场景分别为：CPU处理日常计算，GPU用于游戏/AI训练，TPU服务于云端AI。三者各司其职，CPU统筹流程、GPU提供算力、TPU专精AI运算。通过大厨、食堂和饺子机的形象比喻，清晰展现了不同处理器的核心优势与适用领域。

TiB（太二进制字节）是二进制存储单位，1 TiB=1024 GiB，区别于十进制单位TB（1TB=1000GB）。电脑系统和AI领域使用TiB，而硬盘厂商标注用TB，导致1TB硬盘在系统中显示约931GiB。二进制单位包括KiB、MiB、GiB、TiB等，统一采用1024进制换算。TiB常用于服务器内存、大模型参数存储、系统磁盘显示等场景。例如80TiB的大模型参数表示80×1024GiB的二进制存储空间。