AI工程化、开源分享、文档翻译、代码笔记

LangGraph reference 文档参考文档LangGraph预构建组件LangGraph 平台LangGraph 图结构参考文档图定义StateGraph添加节点add_edgeadd_conditional_edges添加序列编译CompiledStateGraph流astream `async`调用调用 `async` 方法get_stateaget_state `async`get_state_historyaget_state_history `

一、关于 LangChain MCP Adapters1、项目概览2、相关链接资源3、功能特性二、安装配置三、使用示例1、基础用法服务端实现客户端调用2、多服务器连接服务端配置客户端调用3、HTTP流式传输4、LangGraph StateGraph集成5、LangGraph API服务集成

https://langchain-ai.github.io/langgraph/concepts/faq/常见问题及其答案！不需要。LangGraph是一个面向复杂智能体系统的编排框架，相比LangChain的智能体更加底层且可控。LangChain提供了与模型及其他组件交互的标准接口，适用于简单的链式流程和检索场景。其他代理框架适用于简单通用的任务，但在处理公司特定需求的复杂任务时表现不足。LangGraph提供了一个更具表现力的框架，能够处理企业的独特任务，而不会将用户限制在单一的黑盒认知架构中。La

https://langchain-ai.github.io/langgraph/tutorials/rag/langgraph_agentic_rag/在本教程中，我们将构建一个检索代理。当您希望大型语言模型(LLM)能够决定是从向量存储中检索上下文还是直接响应用户时，检索代理非常有用。通过本教程，我们将完成以下内容：1、获取并预处理用于检索的文档2、为这些文档建立语义搜索索引，并为代理创建检索工具3、构建一个能够决定何时使用检索工具的代理式RAG系统让我们下载所需的软件包并设置API密钥：为

说明自定义 PostgreSQL 实例仅适用于自托管数据平面和自托管控制平面部署。可以使用自定义的 PostgreSQL 实例来替代控制平面自动创建的实例。通过指定 POSTGRES_URI_CUSTOM环境变量来使用自定义的 PostgreSQL 实例。多个部署可以共享同一个 PostgreSQL 实例。例如，对于部署A，可以将设置为而对于部署B，可以设置为。其中和是同一实例中的不同数据库，但是共享的。注意：同一个数据库不能用于不同的部署。说明自定义 Redis 实例仅适用于。

https://langchain-ai.github.io/langgraph/cloud/concepts/runs/运行是指对助手的一次调用。每次运行可以有自己的输入、配置和元数据，这些可能会影响底层图的执行和输出。运行可以选择在线程上执行。LangGraph平台API提供了多个端点用于创建和管理运行。更多详情请参阅API参考文档。https://langchain-ai.github.io/langgraph/cloud/how-tos/background_run/本指南介绍如何为您的代理启动后台

一个 LangGraph 应用程序由一个或多个图、一个配置文件 ()、一个指定依赖项的文件以及一个可选的用于指定环境变量的.env文件组成。本指南展示了应用程序的典型结构，并说明了如何指定使用 LangGraph 平台部署应用程序所需的信息。实现你的图结构！图可以在单个文件或多个文件中定义。请注意每个的变量名称，这些变量将被包含在LangGraph应用中。后续创建LangGraph配置文件时会用到这些变量名。示例agent.py文件展示了如何从其他自定义模块导入（此处未显示模块代码，请查看此代码库。

https://langchain-ai.github.io/langgraph/concepts/agentic_concepts/许多LLM应用在调用大语言模型前后会实现特定的控制流程步骤。例如，RAG会检索与用户问题相关的文档，并将这些文档传递给LLM，以使模型的响应基于提供的文档上下文。与其硬编码固定的控制流程，我们有时希望LLM系统能够自主选择控制流程来解决更复杂的问题！这就是智能体的一种定义：智能体是利用LLM来决定应用程序控制流程的系统。LLM可以通过多种方式控制应用：因此，存在多种不同类型的

使用LangGraph进行智能体开发什么是智能体？核心特性高层构建模块包生态系统运行代理基础用法输入与输出输入格式使用自定义 Agent 状态输出格式流式输出最大迭代次数其他资源流式传输代理进度监控LLM 令牌工具更新流式多模态传输禁用流式传输其他资源LangGraph 代理模型文档模型工具调用支持通过名称指定模型使用 `init_chat_model` 工具使用特定供应商的大语言模型禁用流式传输添加模型回退机制其他资源工具定义简单工具自定义

LangGraph 快速入门前提条件1、安装依赖项2、创建智能体3、配置大语言模型4、添加自定义提示5、添加记忆功能6、配置结构化输出后续步骤概述学习 LangGraph 基础知识构建基础聊天机器人先决条件1、安装软件包2、创建 `StateGraph`3、添加节点配置模型集成模型到节点4、添加 `entry` 入口点5、编译计算图6、可视化图表（可选）7、运行聊天机器人后续步骤添加工具先决条件1、安装搜索引擎2、配置环境3、定义工具4、定义流程图

当然，这并不是近似图像的最佳方法。然而，线性代数中确实存在一个结论：就差异范数而言，我们上面构建的近似是能达到的最接近原始矩阵的结果。更多信息可参阅G. H. Golub与C. F. Van Loan所著的《矩阵计算》，1985年由约翰霍普金斯大学出版社出版于马里兰州巴尔的摩市。总之，你可以在NumPy中创建、保存和加载数组。保存数组能让工作成果的共享与协作变得更加便捷。虽然Python还有其他保存数据到文件的方式（比如pickle），但savez和savetxt。

若需共享数据并以表格形式查看结果，您需要创建一个文本文件。使用np.savetxt保存数据，该函数功能比np.savez更有限。分隔符文件（如csv）需要二维数组。通过创建新的二维数组来准备待导出数据，其列应包含目标数据内容。使用header选项描述数据及文件列信息。另定义一个变量head来存储文件元信息。B, AB_M, A_M构建一个用于导出到CSV的二维数组。表格数据本质上是二维的，您需要将数据组织成这种二维结构。分别使用year和作为第一至第四列。由于计算得出的常量不符合(179,)

F2PY 用户指南与参考手册三种封装方式 - 入门指南快速方法智能方式快速智能的方法使用 F2PY使用 `f2py` 作为命令行工具1、签名文件生成2、扩展模块构建3、构建模块其他选项Python 模块 `numpy.f2py`自动生成扩展模块F2PY 使用示例F2PY 使用指南：基础扩展模块创建基础扩展模块的源代码创建编译后的扩展模块改进基础接口在Fortran源代码中插入指令过滤示例`depends` 关键字示例延伸阅读签名文件签名文件语法Python

这意味着，如果输入和输出数组是连续的且类型正确，从而执行单个 1-D 循环，则可能在计算完数组的所有元素后才会检查标志。对于小于指定缓冲区大小的输入数组，会复制所有非连续、未对齐或字节顺序错误的数组，以确保对小数组使用单个循环。这种开销的实际意义在于，即使 ufunc 的实际计算非常快，但对于小数组，编写针对特定数组和类型的代码仍可能比使用 ufunc 更快。广播仅会调整（或添加）长度为1的维度，对于这些维度，步长变量被设为0，从而确保在广播操作处理扩展维度时，对应数组的数据指针不会移动。

ndarray是一个提供Python数组接口的内存数据对象。经常会出现这种情况：你想用数组查看的内存数据，其字节序与你运行Python的计算机不同。例如，我可能在一台使用小端序CPU的计算机上工作（比如Intel奔腾处理器），但我从大端序计算机生成的文件中加载了一些数据。假设我从Sun（大端序）计算机生成的文件中加载了4个字节。我知道这4个字节代表两个16位整数。在大端序机器上，双字节整数的存储方式是最高有效字节(MSB)在前，然后是最低有效字节(LSB)。因此内存中的字节顺序为：1、整数1的MSB。

这些文档阐明了 NumPy 中的核心概念、设计决策和技术限制。这里是理解 NumPy 基础理念和哲学的最佳起点。https://numpy.org/doc/stable/user/basics.creation.html另请参阅：数组创建例程创建数组通常有以下6种方法：1、从其他Python数据结构转换（如列表和元组）2、使用NumPy内置的数组创建函数（如arange、ones、zeros等）3、复制、连接或修改现有数组4、从磁盘读取数组数据（标准格式或自定义格式）5、通过字符串或缓冲区从原始字

https://numpy.org/doc/stable/user/numpy-for-matlab-users.htmlMATLAB® 和 NumPy 有许多共同点，但 NumPy 的诞生是为了与 Python 协同工作，而非作为 MATLAB 的克隆版本。本指南将帮助 MATLAB 用户快速上手 NumPy。下表列出了一些常见 MATLAB 表达式的近似对应 Python 实现。请注意这些是相似表达式而非完全等效，具体细节请参阅参考文档。在使用下表时，假设您已在 Python 中执行了以下命令：另外

传递给函数的第二个参数是一个结构体，它便于在模块中定义函数。在上面的示例中，mymethods结构体通常会在文件中更早的位置（通常在init{name}mymethods数组中的每一项都是一个PyMethodDef结构体，包含以下四个部分：1、Python方法名2、实现该功能的C函数3、标志位（指示该函数是否接受关键字参数）4、函数的文档字符串通过向该数组添加更多条目，可以为单个模块定义任意数量的函数。最后一个条目必须全部设置为NULL（如示例所示），作为哨兵标记。

https://numpy.org/doc/stable/user/index.html本指南提供概览并解释重要功能，详细内容请参阅 NumPy 参考文档。https://numpy.org/doc/stable/user/whatisnumpy.htmlNumPy是Python科学计算的基础包。它是一个提供多维数组对象的Python库，包含多种派生对象（如掩码数组和矩阵），以及用于快速数组操作的各种例程，包括数学运算、逻辑运算、形状操作、排序、选择、I/O、离散傅里叶变换、基础线性代数、基础统计运算、随机

如果您拥有自己的 Jupyter notebook 教程文件（.ipynb格式），并希望将其添加到代码仓库中，请按照以下步骤操作。在本教程中，您了解了用于创建 Jupyter Notebook 的 json.ipynb格式和 MyST-NB.md原始代码。您可以使用这两种格式来编写教程。现在，您既可以选择在 VIM 或 emacs 这类简易文本编辑器中工作，也可以继续在浏览器中构建 Notebook。Jupytext 能通过配对功能保持您的工作内容同步。

基于 PyTorch 2.7用于测量PyTorch语句执行时间的辅助类。完整使用教程请参阅：https://pytorch.org/tutorials/recipes/recipes/benchmark.htmlPyTorch计时器基于timeit.Timer（内部实际使用timeit.Timer实现），但具有几个关键差异：1、运行时感知：计时器会执行预热（这对PyTorch某些延迟初始化的组件很重要），设置线程池大小以确保比较条件一致，并在必要时同步异步CUDA函数。2、聚焦重复测量：在测量代码（

复制 RNG 的状态，使得在返回时 RNG 会被重置到之前的状态。参数如果显式指定了设备，这个警告会被抑制返回类型：Generator返回随机数生成器的状态，以形式表示。注意：返回的状态仅针对CPU上的默认生成器。另请参阅：。返回类型：返回用于生成随机数的初始种子，以 Python 长整型表示。注意：返回的种子仅适用于 CPU 上的默认生成器。返回类型：int为所有设备设置生成随机数的种子。返回一个 torch.Generator 对象。参数返回类型：Generator为所有设备设置随机数生

警告：本模块中的所有函数均用于初始化神经网络参数，因此它们都在 模式下运行，且不会被自动求导机制追踪。返回给定非线性函数的推荐增益值。具体数值如下：​​Leaky ReluKaTeX parse error: Expected 'EOF', got '_' at position 34: … \text{negative_̲slope}^2}}​​SELU34\frac{3}{4}43​​警告：为了实现自归一化神经网络，应该使用而非。这样可以使初始权重具有的方差，这对在前向传播中

PyTorch Hub 是一个预训练模型仓库，旨在促进研究可复现性。PyTorch Hub 支持通过添加简单的 文件，将预训练模型（模型定义和预训练权重）发布到 GitHub 仓库。 可以包含多个入口点。每个入口点都定义为 Python 函数（例如：您想发布的预训练模型）。如何实现入口点？以下代码片段展示了如果我们扩展 中的实现，如何为 模型指定入口点。在大多数情况下，只需在 中导入正确的函数就足够了。这里我们使用扩展版本作为示例来说明其工作原理。完整脚本可查看 pytorch/vision

是一个命名空间，通过它向用户开放了一些内部编译器方法。该命名空间中的主要功能和特性是 。 是 PyTorch 2.x 引入的一个函数，旨在解决 PyTorch 中精确图捕获的问题，最终帮助软件工程师加速运行他们的 PyTorch 程序。 使用 Python 编写，标志着 PyTorch 从 C++ 向 Python 的过渡。 利用了以下底层技术：注意：在本文档中，术语 、TorchDynamo 和 有时会互换使用。如上所述，要通过 TorchDynamo 运行更快的工作流， 需要一个后端将捕获的计算图转换

一个用于在数据并行工作节点间分片模块参数的包装器。该设计灵感来源于Xu等人的论文以及DeepSpeed的ZeRO第三阶段技术。FullyShardedDataParallel通常简称为FSDP。要了解FSDP内部实现原理，请参阅FSDP技术说明。示例：使用FSDP需要先包装你的模块，然后在之后初始化优化器。这是必要的，因为FSDP会改变参数变量。在设置FSDP时，你需要考虑目标CUDA设备。如果设备有ID（），你有三个选项：这确保了FSDP实例的计算设备是目标设备。对于选项1和3，FSDP初始化始终在G

注意：关于分布式训练相关功能的简要介绍，请参阅PyTorch分布式概述。 支持三种内置后端，每种后端具有不同的功能特性。下表展示了哪些功能可用于 CPU/CUDA 张量。注意：MPI 仅在用于构建 PyTorch 的实现支持 CUDA 时，才能启用 CUDA 功能。PyTorch 分布式包支持 Linux（稳定版）、MacOS（稳定版）和 Windows（原型版）。在 Linux 平台上，默认会构建并包含 Gloo 和 NCCL 后端（NCCL 仅在 CUDA 环境下构建时包含）。MPI 是一个可选后端，

接收一个并生成一个跟踪图，该图以提前编译（AOT）的方式仅表示函数的张量计算过程。生成的跟踪图随后可以用不同的输出执行或进行序列化。InputSpec(生成一个符合以下不变量的简洁中间表示（IR）。关于该 IR 的更多规范可查阅此处。正确性：保证是原始程序的准确表示，并保持原始程序的调用约定。规范化：图中不包含 Python 语义。原始程序中的子模块会被内联，形成一个完全扁平化的计算图。图属性：该图是纯函数式的，意味着不包含具有副作用（如突变或别名）的操作。它不会改变任何中间值、参数或缓冲区。

自动混合精度包 - torch.amp自动类型转换参数说明梯度缩放自动转换操作符参考操作符适用性CUDA 操作特定行为可自动转换为 `float16` 的 CUDA 运算可自动转换为 `float32` 的 CUDA 运算提升至最宽输入类型的 CUDA 操作优先使用 `binary_cross_entropy_with_logits` 而非 `binary_cross_entropy`XPU 算子特定行为（实验性功能）可自动转换为 `float16` 的 XPU 运算可自动转换为`

torch 包提供了多维张量的数据结构，并定义了针对这些张量的数学运算。此外，它还包含许多实用工具，可实现张量及任意类型的高效序列化，以及其他实用功能。该包还配有 CUDA 版本，支持在计算能力 >= 3.0 的 NVIDIA GPU 上运行张量计算。随机采样创建操作列在随机采样下，包括：、、、、、、。你也可以使用结合原地随机采样方法来创建，其值从更广泛的分布中采样。在 PyTorch 代码库中，我们将"加速器"定义为与 CPU 协同工作以加速计算的 。这些设备采用异步执行方案，使用 和 作为主要的同步

欢迎使用FastMCP！什么是MCP？为什么选择FastMCP？安装安装 FastMCP验证安装用于开发的安装快速开始创建一个FastMCP服务器添加工具测试服务器运行服务器与 Python 服务器交互使用FastMCP CLIFastMCP 服务器创建服务器组件工具资源资源模板提示运行服务器`__main__` 块模式传输选项STDIO Transport (Default)SSE Transport (Server-Sent Events)高级传输配置

模块一个简单的自定义模块模块作为构建单元使用模块进行神经网络训练模块状态模块初始化模块钩子高级功能分布式训练性能分析通过量化提升性能通过剪枝优化内存使用参数化方法使用FX转换模块MPS 后端多进程最佳实践多进程中的CUDA最佳实践与技巧避免和解决死锁问题重用通过队列传递的缓冲区异步多进程训练（如Hogwild）Hogwild多进程中的CPU问题CPU 超配避免 CPU 过载数值精度批处理计算或切片计算极值问题线性代数 (`torch.linalg`)

自动混合精度示例典型的混合精度训练处理未缩放梯度梯度裁剪处理缩放梯度梯度累积梯度惩罚处理多个模型、损失函数和优化器多 GPU 工作环境下的注意事项单进程中的DataParallel分布式数据并行：每个进程对应一个GPU每个进程使用多块GPU的DistributedDataParallel自动混合精度与自定义自动求导函数支持多输入或自动转换操作的功能需要特定 `dtype` 的函数自动微分机制自动微分如何编码历史记录保存的张量不可微函数的梯度计算局部禁用梯度计算

TorchRec为什么选择TorchRec？TorchRec 高级架构TorchRec的并行策略：模型并行表格嵌入相关内容TorchRec 概念JaggedTensorKeyedJaggedTensor规划器EmbeddingTables的划分使用TorchRec分片模块进行分布式训练分布式模型并行优化器推理相关链接设置 TorchRec系统要求版本兼容性安装运行一个简单的 TorchRec 示例

Biclustering （双聚类）谱二分聚类算法演示生成样本数据拟合 `SpectralBiclustering`绘制结果Spectral Co-Clustering 算法演示使用光谱协同聚类算法进行文档的二分聚类

概述你可以用 Ray 做什么Ray 框架入门什么是 Ray？选择您的路径Ray AI 库快速入门数据：适用于机器学习的可扩展数据集训练：分布式模型训练调谐：大规模超参数调优Serve: 可扩展的模型服务RLlib：工业级强化学习库Ray 核心快速入门核心功能：使用 Ray 任务并行化函数核心功能：使用 Ray Actors 并行化类Ray 集群快速入门集群：在 AWS 上启动 Ray 集群集群：在 Kubernetes 上启动 Ray 集群集群：在Anyscale上启动R

GPT ActionGPT Action 如何工作GPT Actions 的力量简化示例开始构建从零开始使用 GPT ActionsWeather.gov 示例步骤 1：编写和测试 Open API 架构（使用 Actions GPT）深度挖掘：查看完整的开放API模式步骤 2: 确定认证需求步骤 3：创建 GPT Action 并进行测试深入探讨：编写说明的指导测试 GPT 操作步骤 4：在第三方应用中设置回调 URL第5步：评估自定义GPT常见调试步骤GPT Action

助手 API 概览Beta概述助手如何工作对象助手 API 快速入门Beta概述第一步：创建一个助手第2步：创建一个线程步骤 3：向线程添加消息步骤 4: 创建一个运行使用流式传输无流式传输助理API深度探索Beta概述创建助手管理线程和消息创建图像输入内容低或高保真度图像理解上下文窗口管理最大完成数和最大提示token截断策略消息标注运行和运行步骤运行生命周期轮询更新线程锁运行步骤数据访问指南助手 API 工具Beta概述助理文件搜索概述快

提示工程消息和角色使用响应API使用 Chat Completions API为模型提供用于生成的额外数据获得更好结果的六大策略写出清晰的说明提供参考文本将复杂任务拆分为更简单的子任务给模型时间“思考”使用外部工具系统地测试更改策略策略：写出清晰的说明策略：在您的查询中包含详细信息以获得更相关的答案策略：要求模型采用角色策略：使用分隔符清楚地指示输入的不同部分策略：指定完成任务所需的步骤策略：提供示例策略：指定输出的所需长度策略：提供参考文本策略：指示模型使用参考文

微调哪些模型可以进行微调？何时使用微调常见用例准备您的数据集示例格式多轮对话示例构建提示示例数量推荐训练和测试分割Token 限制估算成本检查数据格式上传训练文件大小限制和大型上传创建一个微调模型使用微调模型使用已检查点的模型分析您的微调模型对数据质量进行迭代对数据量进行迭代超参数迭代视觉微调图像数据集要求大小格式内容审查政策Help如果您的图像被跳过该怎么办降低训练成本视觉微调的其他考虑因素预设微调为数据准备DPO堆叠方法：监督 + DPO