cuijiying的博客

通过讲解和代码示例，你应该能够理解 Assistants API 的基本使用方法及其在不同场景下的应用。无论是简单的客服机器人还是复杂的数据分析助手，这个 API 都能提供灵活的支持。

向量检索是一种在AI中用于信息检索的技术，通过将数据（如文本、图像）表示为高维空间中的向量，并根据查询向量与这些向量的相似性来排名和检索相关项。与传统的关键词搜索不同，向量检索能捕捉数据的语义含义，提供更相关的搜索结果。

RAG（Retrieval Augmented Generation，检索增强生成）是AI领域的一种创新技术，特别是在自然语言处理（NLP）中。它通过结合信息检索和文本生成能力，显著提升了大型语言模型（LLM）的表现，使其能提供更准确、相关且实时的回答。本文将从原理、作用、应用场景及未来发展趋势四个方面全面解析RAG技术，并结合代码示例展示其实现方式，适合对AI感兴趣但非技术背景的读者。

RAG技术是一种AI方法，它让语言模型在生成回答前能从外部知识库中检索相关信息。比如，当你问“如何做蛋糕最好”，系统会先查找食谱和烹饪技巧，然后结合这些信息给出更准确的回答。这就像给AI一个实时查阅资料的能力，使其回答更贴近实际需求。RAG技术是一种架构，旨在优化AI语言模型的输出。它允许模型在生成回答前，参考外部知识库，而非仅依赖其训练数据。这种方法特别适合需要最新信息或特定领域知识的场景。例如，2025年3月12日，研究表明RAG能让聊天机器人回答客户问题时更贴近企业内部数据，增强用户信任。

Ollama: 一个轻量级开源工具，用于在本地运行和管理大型语言模型（如DeepSeek）。它提供简单易用的命令行界面和API，适配多种模型。DeepSeek: 一款由中国公司深度求索开发的开源大语言模型，尤其在代码生成、数学推理和自然语言处理方面表现优异。推荐使用其编程能力强的版本，如或。Continue: 一个开源的AI编程助手，支持与VS Code和JetBrains等IDE集成。它可以连接本地或远程的语言模型，提供代码补全、调试建议和对话式问答功能。完全本地化。

Ollama是一个本地LLM（大语言模型）运行工具，它允许你在本地设备上拉取、运行和管理AI模型（如LLaMA、Mistral、Gemma等）。Ollama支持CLI操作，非常适合开发者和AI爱好者使用。根据自定义Modelfile创建新模型。推送本地自定义模型到远程仓库（如Ollama Hub）。可设置环境变量来推送到自定义仓库。功能命令拉取模型运行模型自定义模型查看模型删除模型服务模式查看系统资源API调用。

Trae 是一款专为开发者设计的现代化代码编辑器，具有轻量、高效和可扩展等特点。它支持多语言语法高亮、自动补全、内置终端、调试工具以及插件扩展功能，适合前端、后端甚至全栈开发。Trae 的界面简洁直观，新用户可以很快上手，而丰富的扩展功能也能满足专业开发者对个性化工作环境的需求。

GitHub Copilot 是 VSCode 中一款强大的 AI 工具，能够加速编码、简化调试并帮助学习新技术。通过本文的指南，你可以在最新版本的 VSCode 中轻松安装和使用 Copilot，并在具体场景中提升效率。然而，Copilot 并非万能，建议代码可能需要调整。将其作为辅助工具，结合自身编程知识，才能发挥最大价值。立即尝试 GitHub Copilot，探索它如何改变你的开发体验吧！

使用 Ollama 在本地部署 DeepSeek-R1。通过 API 测试模型可用性。使用前端 JavaScript 实现与模型的交互。

通义灵码是阿里云推出的一款 AI 驱动的编程工具，能够理解代码上下文，提供智能建议。它不仅能加速编码过程，还能帮助开发者发现潜在错误、优化代码性能，甚至自动生成注释。与 VSCode 的无缝集成让它成为现代开发者的理想选择。通义灵码作为一款强大的 AI 编程助手，与 VSCode 的结合为开发者带来了前所未有的便利。从智能补全到代码生成，再到错误排查和注释生成，它几乎覆盖了编程的方方面面。通义灵码不仅能提升效率，还能帮助你学习新技巧、优化现有代码。

MarsCode AI是由ByteDance开发的一款AI编程助手，专为提升开发者的编码效率和代码质量而设计。它利用先进的大模型技术，提供智能代码补全、代码解释、单元测试生成、错误修复和AI问答等核心功能。MarsCode AI支持超过100种编程语言，并与VSCode、JetBrains等主流IDE兼容，让开发者在编码过程中获得实时的智能辅助。MarsCode AI是一款功能强大的AI编程助手，能够在VSCode中为开发者提供智能代码补全、代码解释、单元测试生成、错误修复和AI问答等多种功能。

【代码】基于deepseek api和openweather 天气API实现Function Calling技术讲解。

Function Calling将LLM从“文本生成器”升级为“智能代理”，通过连接外部工具扩展应用边界。开发者需平衡灵活性（支持丰富函数）与可控性（避免错误调用），未来结合智能体（Agent）框架，有望实现更自主的任务执行能力。Function Calling是大型语言模型（LLM）与外部工具或API交互的核心技术，允许模型根据用户需求动态调用预设函数，突破纯文本生成的限制，实现实时数据获取、计算等能力。

在 JavaScript 中调用 OpenAI API 也非常简单，下面我将结合具体代码示例以及使用场景，详细讲解如何使用 JavaScript 调用 OpenAI API。通过以上示例，你可以在 JavaScript 环境中灵活调用 OpenAI API 来完成多种任务。

通过以上方法，你可以在 Python 中灵活调用 OpenAI 的接口来实现各种场景需求。OpenAI 的 API 按请求的 token 数量计费，注意控制。要调用 OpenAI 的接口，需要在。中获取一个 API Key。

大模型在自动驾驶领域有着巨大的潜力，但也面临着计算资源、数据质量、可解释性等多方面的挑战。随着技术的不断进步，尤其是在计算能力、数据处理和算法优化方面的突破，自动驾驶技术的成熟和普及将指日可待。解决这些问题将是推动自动驾驶技术真正落地的重要步骤。

大模型提示工程是一个技术与创意结合的过程，开发人员需要理解模型的工作方式，并通过精心设计的提示来引导模型生成更符合需求的输出。无论是简单的任务提示，还是复杂的多步骤问题，提示的设计和优化都在提高模型效能方面扮演着至关重要的角色。

大模型通过庞大的神经网络、深度学习的训练过程以及Transformer架构的优势，能够理解和生成复杂的文本、图像等内容。它们的核心原理是通过大量的数据学习模式，并在推理阶段根据上下文预测最合理的输出。这使得它们在自然语言处理、图像生成等领域表现出色。

AI未来的方向将会是“从专用到通用”，同时在实际应用中逐步实现“用人思维”。未来的AI不仅仅是一个功能驱动的工具，而是能够不断自我进化、适应新的场景和任务的智能体。企业在应用AI时，应从小处着手，通过逐步积累经验，最终实现业务的降本增效和智能化。同时，AI的落地需要业务人员、技术人员和决策者的密切合作，确保从认知到实现的各个环节都能高效配合