- 博客(346)
- 资源 (16)
- 收藏
- 关注
RSS订阅
原创 Oracle查询优化改写-笔记
《Oracle查询优化改写 技巧与案例》学习笔记。写此博文，方便以后查找使用。第1章：单表查询--查找空值select * from emp where comm is null; /* * replace(1,2,3) * 1:字段,2:旧内容 ，3:新内容*/select replace('abcdefg','a',null) from dual;---20
2017-11-14 09:17:58
1611
1
原创 [autogen]AgentChat-Advanced翻译与实践
AgentChat 中的所有Agent都继承自：定义agent响应消息行为的抽象方法。它返回一个 Response 对象。on_reset()：将agent重置为其初始状态的抽象方法。：agent在其响应中可能生成的消息类型列表(BaseChatMessage)。..."""模型会使用代理的 name 和 description 属性来确定下一个说话人，因此建议提供有意义的名称和描述。""" ,)我们常常希望更好地控制选择过程。为此，我们可以通过设置。
2025-12-09 23:27:05
907
原创 [autogen]AgentChat-Tutorial翻译与实践
您可以通过继承基类或来创建自定义消息类型。这样，您可以定义自己的消息格式和行为，以满足您的应用程序需求。自定义消息类型在编写自定义智能体时非常有用。内置的终止条件足以满足大多数使用场景。但是，有时您可能需要实现自定义的终止条件，可以通过继承类来实现这一点。例如，我们创建了一个自定义终止条件，当进行特定函数调用时，该条件会停止对话。"""@property#首先，我们创建一个简单的函数，当评论家代理批准一条消息时，该函数将被调用。
2025-12-08 23:31:43
956
原创 [deeplearning.ai]ai-agentic-design-patterns-with-autogen学习笔记
AutoGen 是一个开源编程框架，用于构建 AI agents并促进多个agents之间的协作以完成任务.AutoGen 旨在提供一个易于使用且灵活的框架，以加速开发和研究agentic AI,agents与agents之间可以进行对话支持使用LLM 和 tool支持自主和人机协作的工作流程以及multi-agent对话模式。
2025-12-05 00:17:56
569
原创 [deeplearning.ai]knowledge-graphs-rag 实践
本文是基于课程的学习&实践# PromptContext:{context}Question:{question}""")# LCEL pipeline: 使用 RunnableLambda 包装 retriever 调用# LCEL pipeline: 直接用 retriever 作为 Runnablechain = (| prompt| llm本文是基于课程的学习&实践# PromptContext:{context}Question:{question}""")
2025-11-28 00:17:08
815
原创 Neo4j自定义Genai embedding plugin
本文介绍了如何自定义Neo4j GenAI插件以支持开源大模型Ollama，降低使用成本。首先通过Docker启动Neo4j并加载genai插件，然后使用LiteLLM代理Ollama接口进行向量编码。由于原生插件不支持自定义endpoint，提出了通过APOC进行HTTP调用的解决方案，并展示了如何构建自定义插件。最后演示了创建向量索引、生成嵌入向量并进行查询的完整流程，验证了方案的可行性。
2025-11-22 01:35:04
365
原创 LiteLLM 简介&实战
在本地部署大模型或构建 RAG 系统时，你可能遇到这些痛点：• 某些工具 只支持 OpenAI API（如、部分 Spring AI 配置、某些前端库等）• 但你想用 Ollama 或本地模型• 不同 LLM API 格式各不相同，调用麻烦• 想做 统一 API、日志、限流、负载均衡、代理管理这就是 LiteLLM 存在的意义。笔者就是在做的过程中，遇到了不支持的问题,所以才转向LiteLLM需求帮助.
2025-11-20 22:47:51
838
翻译 Anthropic - 构建高效Agents
在 LLM 领域，成功不在于构建最复杂的系统，而在于构建最适合您需求的系统。从简单的提示开始，通过全面的评估进行优化，仅当简单解决方案不足时，才添加多步骤的智能体系统。保持 Agent 程序设计的简洁性 （Maintain simplicity）。通过明确展示Agent的规划步骤来提高透明度。通过详尽的工具文档和测试 ，精心设计您的代理-计算机接口 (ACI)。
2025-11-15 23:42:10
25
原创 Spring AI Evaluation Testing(评估测试)
在基于大型语言模型（LLM）构建应用时，仅仅“模型调用”并不够，还必须 测试生成结果是否满足预期（比如相关性、准确性、无幻觉、业务契合度等）。Spring AI 提供了一套 “评估测试” （Evaluation Testing）机制，使开发者能在集成／测试阶段，引入自动化手段来验证 LLM 的输出质量。RelevancyEvaluator（相关性评估）和FactCheckingEvaluator（事实核查评估）。这些工具可用于 对话–检索增强生成 (RAG) 流程 或 纯模型生成场景 的自动化验证。
2025-11-14 23:29:42
608
原创 Spring AI RAG源码分析
在现代大型语言模型（LLM）应用中，。在 Spring AI 框架中，扮演着 RAG (检索增强生成) 流程的指挥官角色。它负责编排从用户查询到最终上下文准备的整个过程，确保 LLM 接收到的 Prompt 是经过多层优化和增强的高质量输入。本文将基于其内部的六个核心属性，详细阐述 RAG 流程中每一个组件的作用、典型应用场景，以及它们如何协同工作，共同提升问答系统的性能。
2025-11-14 20:00:00
907
原创 Resilience4j 入门与实战
下游服务响应缓慢或超时外部 API 不稳定导致频繁失败某个接口被频繁调用造成雪崩要提高系统的稳定性与弹性（Resilience），就离不开熔断（Circuit Breaker）限流（Rate Limiter）重试（Retry）、**超时（TimeLimiter）**等机制。过去，我们可能使用 Netflix 的 Hystrix，但 Hystrix 已经停止维护。如今，Resilience4j 成为了最受欢迎的轻量级替代方案。
2025-11-10 23:42:03
888
原创 Spring 6.x HTTP interface 使用说明
Spring Framework 6 引入了通过 Java 接口定义 HTTP 服务的能力，该接口的方法使用注解标记。它的用法看起来特别像下面可以通过访问API:，来展示HTTP interface 的使用方法。接口即可@Override你可以自定义一个}).build();
2025-11-08 15:15:00
724
原创 Spring Boot 扩展点全览
这些扩展点在容器扫描配置类、加载 Bean 定义后，但在任何 Bean 实例化前执行。序号扩展点类型/接口作用描述4接口🔹动态导入配置类（用于@EnableXxx根据条件动态返回需要导入的类名，是 Spring Boot自动配置机制的基础。5接口🔹延迟导入配置类。将导入操作推迟到所有类都加载完之后，确保在处理自动配置时能看到所有用户定义的 Bean。6接口🔹编程式注册 Bean 定义。通常配合@Import使用，用于在配置类加载时，以编程方式注册。7接口🔹。
2025-11-07 09:00:00
762
原创 Spring 延迟加载机制源码分析
是 Spring 提供的一个接口，用于在 BeanFactory/ApplicationContext 环境中“按需、可选、延迟”地获取类型为T的 Bean 实例。官方 Javadoc 中的描述为：从这些描述中，我们可以总结按需获取：与普通注入不同，并不会在启动时立即把一个T型 Bean 实例固定注入，而是允许在运行时通过调用其方法获取。可选性：支持 Bean 类型T在容器中不存在的情境，而不必在启动时失败。多实例／多候选处理能力：当存在多个T类型或者多实现时，
2025-11-05 11:14:25
707
原创 Prometheus 查询语法（PromQL）速查
PromQL 是一种专为时序数据库 Prometheus 设计的查询语言。实时提取指标（metrics）聚合不同维度的数据进行统计计算与告警条件判断可视化（Grafana、Prometheus Web UI、Alertmanager）
2025-11-05 10:07:23
442
原创 Springboot + Actuator + Micrometer + InfluxDB + Prometheus 构建指标监控平台
在现代微服务体系中，性能监控与可观测性（Observability）已成为系统稳定运行的核心。而 Spring Boot 自带的模块，让开发者轻松接入多种监控后端，如：•Prometheus：拉取式指标采集系统（Pull）；•InfluxDB：时序数据库（Push）；• Grafana：统一可视化展示层。
2025-11-05 09:32:27
839
原创 SPEC-KIT简介+结合CODEX使用
以下是关键阶段，每个阶段有其目的、关键活动、产出。与claude-code不同，在codex中。命令，但是可以通过如下。
2025-10-23 16:48:03
1880
原创 LangChain4j AiServices注解式调用接口
在下创建forderprompts,创建文件@Override@Override@Override。
2025-10-22 15:41:46
199
原创 Merkle Tree（默克尔树）原理分析
在现代分布式系统和区块链中，经常需要。提供了一种优雅且高效的解决方案。本文将带你从原理到应用，再到插入和删除操作的影响，全面理解 Merkle Tree。
2025-10-11 11:23:05
833
原创 Protocol Buffers（Protobuf）入门详解
Protocol Buffers（简称 Protobuf）是 Google 出品的一种高效、结构化的数据序列化机制。与 JSON 或 XML 相比，Protobuf 的主要优点是：• 体积更小（二进制格式，比 JSON 节省约 60%~80%）• 速度更快（解析与序列化性能极高）• 跨语言、跨平台• 支持版本演进（向后兼容）常用于：• gRPC 通信• 微服务内部通信• 存储结构化数据文件• 网络传输的高性能消息格式// 用户ID// 用户名。
2025-10-11 10:40:29
804
翻译 [deeplearning-ai] ai-agents-in-langgraph 学习笔记
TavilySearchResults 是 LangChain 提供的一个工具调用 Tavily API 来执行网络搜索，并把搜索结果以结构化的文档形式返回，供 Agent 或 LLM 使用。"llm",self.model = model.bind_tools(tools) # 为了让llm 知道有哪些tools可以用return {"messages": [response]} # 将结果以[]返回，会通过 operator.add 追加到messages里。
2025-09-30 11:22:42
113
翻译 lang-graph简介
LangGraph。LangGraph 构建在 LangChain 之上，并且与整个 LangChain 生态系统完全互操作。它的主要价值在于引入了一种简单的方法来创建循环图（cyclical graphs）。这在构建agent 运行时（agent runtimes）时常常非常有用。
2025-09-11 11:49:22
180
原创 MCP tutorials
Custom Connectors 是 Claude 与远程 MCP 服务器之间的桥梁。它们允许你将 Claude 直接连接到与你工作流程最相关的工具和数据源，使 Claude 能在你常用的软件中运行，并从外部工具的完整上下文中获取洞察。通过 Custom Connectors，你可以：•将 Claude 连接到第三方开发者提供的远程 MCP 服务器•自建远程 MCP 服务器，与任何工具集成略.
2025-08-28 17:28:42
852
翻译 MCP introduction
是一个开放协议，标准化了应用程序如何为大型语言模型（LLM）提供上下文。可以将 MCP 想象成 AI 应用程序的 USB-C 接口。就像 USB-C 为连接设备与各种外设和配件提供了标准化方式一样，MCP 为连接 AI 模型与不同数据源和工具提供了标准化的方式。MCP 使您能够在 LLM 上构建代理和复杂的工作流，将模型与外部世界连接。
2025-08-26 16:12:49
78
翻译 [deeplearning-ai] langchain-chat-with-your-data 学习笔记
在执行 RetrievalQA 时，LangChain 会通过 retriever（这里是 vectordb.as_retriever()）从你的向量数据库中找出与 question 最相关的文本片段（通常是 1~k 个 chunk）。分隔符，所以不会被分割成多个段落，LangChain 会当成一个整体段落处理，然后判断该段落是否超过 chunk_size，但实际字符数(:你想限定检索范围，例如只问《第三讲》中关于 regression 的内容，但结果却混入了《第一讲》和《第二讲》的片段。
2025-08-01 15:46:11
96
原创 LangChain 全面入门
LangChain 是一个专门为应用开发设计的开源框架，帮你快速实现：• 多轮对话• 知识库问答 (RAG)• 多工具协同调用 (function calling / tool)• 智能体 Agent 自动决策任务链解耦 LLM 接口、Prompt、Memory、检索、工具、Agent，模块化管理，专注业务逻辑开发。
2025-07-04 17:03:09
489
原创 搞懂Tool/Function Calling/Agent/MCP
放心，3.10 肯定比 3.9 强，毕竟 3.10 > 3.9 嘛”。如何让大模型更加聪明、准确回答问题呢？优化的方式优许多，如优化模型本身优化使用方式提示词工程（Prompt Engineering）工具辅助（Tool）今天我们会以实时查天气为例来讲述Tool的使用，以及说明AIAgent相关能力组件的使用。
2025-07-01 15:26:40
780
原创 Self-supervised Learning(BERT/GPT/T5)
本文介绍了预训练模型BERT和GPT的核心原理与应用。BERT通过自监督学习实现上下文词嵌入，具备填空、句子关系判断等能力，在情感分析、词性标注、NLI等任务中表现优异。GPT则采用生成式预训练，通过预测下一个token实现Few-shot/Zero-shot学习。两者均展现强大的语言理解能力，并拓展至蛋白质、DNA等跨领域应用。多语言BERT还通过词向量相似性实现跨语言迁移，而BERT在GLUE评测中的表现验证了其通用语言理解能力。
2025-06-20 16:51:14
958
原创 N-gram语言模型原理与实战教程
N-gram 是自然语言处理中，将文本按连续的 N 个词（或字符）划分的技术。Unigram，单个词Bigram，两个连续词 - 一阶马尔科夫Trigram，三个连续词 - 二阶马尔科夫例如句子：“我 爱 自然 语言”，它的 Bigram 是：“我 爱”，“爱 自然”，“自然 语言”。一句话:一阶马尔科夫（Bigram）:二阶马尔科夫（Trigram）:N-gram 是一种基于统计的方法，通过计算连续 N 个单词组成的子序列出现的概率，来预测下一个单词或评估整个句子。Unigram（一元模型）
2025-05-22 17:29:32
533
原创 spaCy基础入门
功能方法 / 属性说明加载语言模型加载指定语言模型文本分析nlp(text)对文本进行 NLP 分析分词拆分为单词 Token词性标注token.pos_查看单词的词性依存句法分析token.dep_token.head分析句子成分依赖关系命名实体识别提取命名实体（人名、地名、组织等）句子分割将文本自动拆分为句子词向量获取词向量（中大型模型）相似度计算计算两个词或文本的相似度功能NLTKspaCy分词doc对象自动分词词性标注（POS）pos_tag()token.pos_
2025-05-13 16:32:03
526
原创 NLTK进行文本分类和词性标注
词性标注将句子中的单词以不同语义功能或语法功能进行分类。在英语中，主要的词性为名词、代词、形容词、动词、副词、介词、限定词和连词，而词性标注正是为文本中的每个单词或词元附加这些类别之一。VERB：动词（所有时态和方式）NOUN：名词（普通名词、专有名词）PRON：代词ADJ：形容词ADV：副词ADP：介词（前置词、后置词）CONJ：连词DET：限定词NUM：基数PRT：小品词或其他功能词X-other：外来词、错别字、缩写.：标点符号。
2025-05-13 11:58:49
580
原创 NLP和大模型技术路线
✅ 推荐学习路径：NLP 基础 → Transformer 架构 → 大语言模型原理 → LangChain / RAG 应用 → 微调优化 & 私有部署👉 这就是目前最主流、能快速落地项目的 LLM 工程师进阶路线！
2025-05-06 15:35:35
1130
http服务器文件自动上传
2018-04-19
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人