- 博客(28)
- 收藏
- 关注
RSS订阅原创 我的创作纪念日：128天，用代码记录成长，用分享收获喜悦
本文分享了作者从AI学习者到技术分享者的蜕变历程。2025年因Deepseek兴起而开始创作，首篇医学影像AI诊断文章开启写作之路。收获包括201位粉丝关注、行业人脉拓展、官方认可及近3万访问量。创作已融入日常工作学习，如《DCM4CHEE Archive Light》系列获广泛好评。未来计划深耕AI领域、创新分享形式并回馈社区。作者鼓励读者从笔记开始坚持创作，在分享中遇见更好的自己。全文展现技术分享带来的成长与价值，传递"利他即利己"的初心。
2025-10-14 10:13:01
608
原创 Python：基于LangGraph的RAG智能体应用开发实践
本文介绍了基于检索增强生成（RAG）技术构建问答聊天机器人的实现方法。RAG系统包含索引和检索生成两个主要组件，通过加载、切分和存储文档构建知识库，并结合大语言模型进行智能问答。文章详细展示了从安装依赖、文档预处理、创建检索器，到实现查询生成、文档评估、问题重写和答案生成的全流程。该系统能根据用户问题检索相关信息，并自动判断文档相关性，在必要时重写问题以优化检索结果，最终生成准确回答。
2025-09-19 16:23:15
926
原创 LangGraph中的智能体主管 - Supervisor
本文介绍了如何构建多智能体系统来解决单一智能体处理复杂任务的局限性。文章详细讲解了基于主管（supervisor）架构的实现方法：1）安装LangChain和LangGraph等开发包；2）创建预订酒店和航班的工具函数；3）构建专用智能代理；4）设置监管者协调任务分配；5）通过可视化状态图展示系统结构。测试结果显示，系统能成功协调多个智能体完成复合任务（如同时预订航班和酒店）。文章最后提到另一种群组（Swarm）架构，可实现智能体间动态控制权转移。该方法为构建高效的多智能体系统提供了实用方案。
2025-09-18 14:23:57
980
原创 LangChain中的提示词模板 - PromptTemplate
本文介绍了提示词模板的基本概念及其在LangChain中的应用。提示词模板通过字典输入变量，输出PromptValue，可传递给语言模型或转换为字符串/消息列表。文章详细说明了四种消息类型（人类、AI、系统、工具消息）及其属性，并展示了字符串提示词模板和聊天提示词模板的使用方法，包括单变量、多变量模板以及消息占位符的应用。最后通过测试案例比较了元组和类定义消息的差异，指出使用SystemMessagePromptTemplate等类可以更灵活地定义带变量的消息模板。
2025-09-18 09:08:33
944
原创 Python：基于LangGraph的StateGraph（状态图）应用开发实践
本文介绍了如何使用LangGraph框架构建基于状态的图结构工作流。首先说明了StateGraph类的基本概念和编译步骤，详细解释了状态(State)、节点(Nodes)和边(Edges)三个核心组件。接着提供了从安装依赖、初始化大模型到具体实现状态图的完整流程，包括定义状态、创建图结构、添加节点和边、编译以及可视化图表。最后通过一个天气查询的简单示例测试了图的工作流程，并指出LangGraph还支持更复杂的人机协作、持久化执行和多智能体协同等功能。
2025-09-16 08:30:00
1041
原创 Python：基于LangGraph的AI Agent（智能代理）应用开发实践
本文介绍了使用LangGraph框架构建AI智能代理的实践方法。首先概述了LangGraph作为LangChain升级框架的优势，包括支持循环、多智能体协作和复杂控制流。接着详细说明了安装步骤，包括LangChain核心包、LangGraph框架、智谱AI模型依赖和Tavily搜索工具。文章重点演示了如何创建工具集（模拟天气查询和网络搜索），并通过智谱AI模型初始化智能代理，包括提示词模板设计、代理初始化和可视化流程。最后展示了测试代理执行天气查询的示例，并强调LangGraph提供的预构建组件能简化开发流
2025-09-16 08:00:00
1180
原创 Python：基于Dify的外部知识库应用开发实践
Dify是一款开源的大语言模型应用开发平台，提供完整的LLM应用开发解决方案。其知识库功能通过可视化RAG管线实现，支持实时更新数据，提升回答准确性和相关性。本文重点介绍如何为Dify开发外部知识库接口，包括搭建Weaviate向量数据库和开发Python API服务。开发过程涉及安装Flask、跨域支持、向量模型等依赖，并实现符合Dify规范的/retrieval接口，通过LangChain连接Weaviate进行文档检索。该方案使Dify能直接获取外部知识库内容，无需数据重复搬运，同时保持检索机制的灵活
2025-09-09 14:28:17
697
原创 LangChain中的智能代理工具 - Tool
本文介绍了LangChain中工具(Tools)的定义与使用方式。工具是代理与世界交互的接口，包含名称、描述、参数等组件。文章详细讲解了三种创建工具的方法：使用@tool装饰器简化转换函数、继承BaseTool类实现复杂逻辑、利用StructuredTool处理结构化输入。并以天气查询和医疗记录查询为例演示了具体实现。最后阐述了如何将工具集与语言模型结合创建AI代理，包括构建提示模板、设置代理参数等步骤，并给出了最佳实践建议，如提供清晰描述、实现错误处理等。根据需求可选择不同创建方式，简单场景用装饰器，复杂
2025-09-08 09:55:03
496
原创 Python：基于LangChain的AI Agent（智能代理）应用开发实践
本文介绍了基于LangChain的AI代理（Agent）开发实践。AI代理通过大语言模型（LLM）驱动，能够自主决策并调用外部工具处理复杂任务。文章详细讲解了代理的基本概念、工作流程（思考-行动-观察循环）及核心组件（用户、代理、LLM、工具、记忆库）。开发实践部分包括：安装LangChain及相关依赖；创建三个工具函数（天气查询、报告读取、数据查询）并定义参数对象；配置智谱AI大模型连接；构建工具集并初始化代理。该方案突破单一模型限制，通过整合LLM推理能力与外部工具功能，实现更强大的应用能力。
2025-09-07 15:25:53
911
原创 Python：基于LangChain的RAG（检索增强生成）应用开发实践
检索增强生成（RAG）技术通过结合外部知识库来增强大语言模型的能力，解决信息过时问题。RAG系统包含检索器和生成器两个核心组件，业务流程分为知识构建和用户对话两部分。知识构建需文档加载、数据分割、向量嵌入和向量存储；用户对话则通过向量检索获取相关知识，再结合提示词模板由大模型生成回答。本文以医学文本为例，展示了使用LangChain、FastEmbed和FAISS实现RAG系统的完整流程，包括安装依赖、构建知识库、检索召回和模型处理等关键步骤。该技术可广泛应用于需要动态知识更新的AI场景。
2025-09-07 09:06:04
1131
原创 Python：消息队列（RabbitMQ）应用开发实践
RabbitMQ是一个成熟可靠的消息代理系统，支持多种协议和消息传递模式。文章首先介绍了RabbitMQ的核心概念，包括生产者、消费者、交换器和队列等。接着详细讲解了6种消息模式：简单模式、工作队列、发布订阅、路由模式、主题模式和RPC模式，每种模式都配有代码示例和示意图。最后提供了在CentOS中使用Docker部署RabbitMQ的详细步骤，包括镜像拉取、容器配置和端口映射等内容。文章涵盖了RabbitMQ从基础概念到实际部署的全流程，为开发者提供了全面的参考指南。
2025-07-15 16:48:13
1442
原创 Python：向量数据库（Weaviate）应用开发实践
本文介绍了Weaviate向量搜索引擎的部署与开发应用。主要内容包括：Weaviate的基本概念解析（Schema、Collection、Tenant）；在CentOS中使用Docker部署单节点Weaviate服务器的详细步骤，包括镜像拉取、容器启动参数配置以及docker-compose文件编写；基于LangChain的客户端开发测试方案，涵盖业务设计、依赖安装、客户端创建和连接测试。文章还提供了文档加载的代码示例，为开发者构建基于Weaviate的向量搜索应用提供了实用指南。
2025-07-14 13:59:24
1242
原创 Python：调用json.dumps处理datetime对象数据
本文介绍了两种解决Python查询PostgreSQL时timestamp类型数据无法JSON序列化的方法。一是在SQL查询中使用TO_CHAR函数将时间戳转为字符串格式，列举了常用日期格式化模式；二是通过自定义JSONEncoder类，重写default方法实现datetime对象的序列化。两种方案均无需修改数据库结构，前者从数据源处理，后者在应用层转换，为处理时间类型数据的JSON序列化问题提供了灵活选择。
2025-06-24 17:43:52
1047
原创 LangChain中的向量数据库接口－Weaviate
Weaviate是一个开源的向量数据库，支持存储来自各类机器学习模型的数据对象和向量嵌入，并能无缝扩展至数十亿数据对象。它提供存储文档嵌入、内容和元数据的工具，以及搜索这些嵌入（包括元数据过滤）的功能。LangChain在其包中实现了个类，用来操作Weaviate向量数据库。虽然在中也能看到Weaviate类的定义，但那已经被弃用了。上图可知，类派生至类（LangChain中的向量数据库抽象基类－VectorStore），实现了其中的add_textsfrom_texts和三个方法。至此，
2025-06-20 08:41:09
1118
原创 LangChain中的向量数据库接口－Faiss
本文介绍了Facebook AI相似性搜索库FAISS及其在LangChain中的接口实现。FAISS类继承自VectorStore基类，主要实现了add_texts、from_texts和similarity_search三个核心方法，用于文本向量化存储和相似性搜索。文章详细解析了各方法的实现原理和使用示例，并提供了完整的项目应用流程，包括安装依赖、创建对象、数据操作以及本地存储功能。通过FAISS接口，开发者可以高效地构建基于向量相似性的搜索系统。
2025-06-19 11:22:06
1133
原创 LangChain中的向量数据库抽象基类－VectorStore
本文介绍了LangChain框架中VectorStore抽象基类的核心功能与实现要求。该类提供了向量数据库的模块化抽象，包含文档/文本添加更新（add_documents/add_texts）、初始化（from_documents/from_texts）、检索器生成（as_retriever）和相似度查询（similarity_search）等方法。其中from_texts和similarity_search为必须实现的抽象方法，其他方法可选择实现。该设计允许开发者通过继承基类快速接入自定义向量数据库，重点
2025-06-18 21:59:14
1415
原创 DCM4CHEE ARCHIVE LIGHT 源代码解析(2)－STOWRS
本文分析了dcm4chee-arc-stow项目的DICOM对象存储服务实现。该项目通过RESTful接口提供DICOM对象的HTTP存储功能，支持两种URL路径（/studies和/studies/{study}）来存储实例。文章详细介绍了项目的传输存储规范、服务连接策略和响应状态码，并通过类图和流程图展示了核心模块StowRS（服务入口）与StoreService（业务调度）的协作关系。项目采用成对方法实现两种接口，主要处理流程包括请求解析、实例校验和存储操作。
2025-06-17 08:23:42
2368
原创 DCM4CHEE ARCHIVE LIGHT 源代码解析(1)－前言
本文介绍了dcm4chee-arc-light医学影像归档系统的代码阅读与编译过程。作者使用IntelliJ IDEA 2021加载解压后的5.23.3版本源代码，项目包含111个子模块。重点说明了dcm4chee-arc-ear（后台服务集合）和dcm4chee-arc-ui2（前端管理界面）两个关键模块的编译输出，指出只需将生成的.ear和.war文件部署到WildFly服务器即可运行系统。文章最后表明该系统已可在本地运行，为后续源码分析调试奠定了基础，适合开发者参考部署流程。
2025-06-16 09:09:34
669
原创 DCM4CHEE Archive Light 应用配置－存储配置
本文介绍了在DICOM归档系统中配置和管理存储的方法，包括通过用户界面和LDAP导入两种方式。主要内容包括： 存储配置概述：用户可根据需求配置单个或多个存储设备，支持在磁盘空间不足或多任务并行时使用。存储分为Archive设备级（序列元数据存储）和Application Entity级（对象存储/元数据存储）。 用户界面操作： 设备级存储配置：通过菜单导航添加/编辑存储描述符，设置Storage ID、URI等关键参数 应用级存储引用：在设备扩展和网络AE中分别配置元数据和对象存储引用 LDAP配置方法：
2025-06-15 07:32:06
1201
原创 DCM4CHEE Archive Light 开发环境部署(6)－编译代码
本文介绍了DCM4CHEE Archive light 5.23.3版本的源码部署与编译过程。内容包括：从GitHub下载指定版本源码包，使用IntelliJ IDEA导入项目时遇到的依赖缺失问题（如dcm4chee-arc-lang、weasis-core-img等组件），以及通过手动下载和本地Maven安装的方式解决依赖问题的详细步骤。最后指导读者如何在IDEA中使用Maven工具完成项目编译和安装。全文为开发者提供了Windows环境下部署DICOM医学影像归档系统的完整实践指南。
2025-06-14 08:14:00
2087
原创 DCM4CHEE Archive Light 开发环境部署(5)－IDEA集成调试配置
本文详细介绍了在IntelliJ IDEA 2021.1.2中集成Wildfly插件的步骤。首先通过Plugins安装Wildfly插件，然后在Configuration中添加JBoss/Wildfly 23.0.0.Final应用服务器配置，设置访问地址和认证信息。接着在Deployment页添加dcm4chee-arc-ear-5.23.3-psql.ear和dcm4chee-arc-ui2-5.23.3.war两个服务包，并在启动命令中指定standalone-full.xml配置文件。最后完成调试配
2025-06-13 14:02:14
730
原创 DCM4CHEE Archive Light 开发环境部署(4)－WILDFLY(JBOSS)
本文介绍了Wildfly 23.0.0.Final版本的安装部署过程及其与DCM4CHEE Archive Light的集成配置。主要内容包括：Wildfly作为轻量级JavaEE应用服务器的简介；Windows环境下的下载安装及环境变量配置；添加管理用户和验证安装；为DCM4CHEE配置LDAP服务、安装必要插件；选择standalone-full.xml启动配置以实现ActiveMQ支持；以及数据库配置文件的准备。文章通过详细的步骤说明和截图，完整呈现了从Wildfly基础安装到专业医疗影像归档系统集成
2025-06-13 07:34:27
2478
原创 DCM4CHEE Archive Light 开发环境部署(3)－OpenLDAP
本文介绍了在CentOS 7.5系统上使用Docker部署OpenLDAP服务的过程。主要内容包括：1）通过Docker拉取osixia/openldap镜像并启动容器；2）配置挂载目录和拷贝dcm4chee相关配置文件；3）使用docker-compose重新部署容器并设置环境参数；4）导入LDAP模式配置文件；5）安装ApacheDirectoryStudio管理工具并连接LDAP服务器。文中提供了详细的操作命令和步骤说明，适合需要快速部署LDAP服务的用户参考。
2025-06-12 08:45:43
1184
原创 基于Vue的组件库开发实战
本文介绍了开发Vue年度选择器组件库的全过程。首先分析了组件需求，包括单选模式、连续多选和任意多选三种功能。然后详细阐述了组件设计思路，将选择器拆分为数据显示框和选择面板两大模块，并进一步细化为年度选项、选项表格等子组件。在代码开发环节，从创建Vue项目开始，逐步实现了选择项状态管理、表格翻页、面板容器等功能，并介绍了使用Popper.js实现面板定位。最后讲解了如何将组件发布到NPM仓库，包括注册账号、初始化package.json和发布流程。文章为开发者提供了一个完整的Vue组件库开发范例，涵盖设计、实
2025-06-11 08:15:32
1188
原创 DCM4CHEE Archive Light 开发环境部署(2)－PostgresSQL
本文介绍了在CentOS系统上使用Docker部署PostgreSQL数据库的完整流程。主要内容包括：1）拉取PostgreSQL官方镜像并启动容器；2）通过Navicat连接数据库并新建pacsdb数据库；3）导入DCM4CHEE的SQL脚本初始化数据结构；4）配置DCM4CHEE系统的数据库连接参数。整个过程详细演示了从安装部署到应用集成的关键步骤，为医学影像存档系统PACS提供了稳定可靠的后端数据库支持。
2025-06-10 08:53:45
1209
原创 DCM4CHEE Archive light 开发环境部署(1)－前言
本文介绍了搭建DCM4CHEE Archive light开发环境的系列教程，包含PostgreSQL数据库、OpenLDAP目录服务、Wildfly应用服务器等关键组件的部署步骤。文章选用dcm4chee-arc-light-5.23.3版本源代码，使用IntelliJ IDEA作为开发工具，并提醒读者应从GitHub releases下载完整代码包而非直接拉取代码。该系列将详细记录从环境搭建到代码编译调试的全过程，为开发者提供完整的技术参考。
2025-06-09 18:10:10
576
原创 抛开AI大模型，还能怎样提高医学影像诊断报告的书写体验
RIS系统中，诊断医生主要的交互场景，即是书写诊断报告。于是，影像诊断系统是否友好，直接影响到诊断医生的工作效率和体验。本文将从功能需求、应用分析、技术设计等几方面来尝试分析了解如何提高影像诊断系统的易用性，以实现给诊断医生工作增效的目的。
2025-06-09 15:07:58
984
原创 基于AI大模型，实现医学影像智能化诊断的思路之初步演练
摘要 本文介绍了一种基于AI大模型和知识库的智能诊断报告生成系统，旨在替代传统模板化方案。新方法通过Dify平台实现两大核心功能：一是构建包含清洗后医疗数据的知识库，支持高效检索；二是集成大语言模型生成诊断报告。系统实施流程包括数据准备、知识库创建、检索测试及Chatflow应用开发。测试显示召回准确率可达0.98，成功生成符合要求的报告。影响输出质量的关键因素包括数据清洗程度、分段参数设置、检索方式选择及提示词优化。相比传统模板方案，新系统具有无需维护模板库、数据可迁移复用等优势。
2025-06-08 19:38:45
671
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人