shiyibushiqi-优快云博客

原创 Transformer 层次结构深度解析：从输入到输出的完整拆解

输入层：Embedding + 位置编码，完成文本到向量的转换编码器：N 层堆叠，每层包含多头自注意力 + FFN + 残差连接 + 层归一化，负责理解输入解码器：N 层堆叠，每层在编码器基础上增加掩码自注意力和交叉注意力，负责逐词生成理解这套层次结构，是掌握 Transformer 及其衍生模型（BERT、GPT、T5 等）的基础。建议结合代码实现（如 PyTorch 或 HuggingFace Transformers 库）进一步加深理解。

2026-08-30 22:50:04 318

原创 Harness、Loop 与 ReAct 架构：三者之间的联系与演进

输入输出协议：Agent 如何接收任务、如何返回结果；工具调用接口：Agent 如何调用外部工具（搜索、计算、代码执行等）；状态管理：Agent 运行过程中的上下文如何保存与传递；终止条件：何时停止循环、何时判定任务完成。Harness 是"壳"，它规定了 Agent 怎么跑起来、跑多久、跑到哪算完。Harness 是容器，定义了 Agent 的运行边界和协议；Loop 是引擎，驱动 Agent 反复迭代直到任务收敛；ReAct 是策略，规定了每一轮循环中如何推理、如何行动。

2026-08-30 22:48:17 352

原创 Chroma 向量数据库：从入门到实战

向量数据库是一种专门为存储、索引和检索高维向量数据而设计的数据库。与传统的关系型数据库（存储结构化数据）或文档数据库不同，向量数据库的核心能力是处理由非结构化数据（如文本、图像、音频、视频）通过机器学习模型转换而成的“向量嵌入”。简单来说，它就像一个为“语义”而非“关键词”设计的搜索引擎。当你搜索“如何养猫”时，它不仅能找到包含“养猫”字样的文章，还能找到关于“猫咪饲养指南”、“宠物猫护理”等内容，因为它们背后的向量在数学上是相似的。

2026-08-18 21:57:29 238

原创 DeepAgent 教程总结：从入门到实战的智能体框架指南

DeepAgent 是一个面向生产环境的高级智能体（Agent）框架，官方将其定义为“具备完整基础设施的 Agent 运行框架”，而不仅仅是简单的 LLM + Tool 调用循环。安装后，开发者无需额外开发即可获得任务规划、文件系统、子智能体协作、上下文压缩、长任务执行、人工审批、持久化记忆、流式输出等核心能力。

2026-08-18 21:54:21 337

原创 LangGraph 实战教程：在 LangChain 基础上构建可控的 AI 工作流

在 AI 应用开发中，LangChain 已经成为构建大模型应用的事实标准。它提供了从基础模型调用到复杂 Agent 构建的全套工具链。State 是工作流的共享数据结构，每个节点都可以读取和更新它。访问 http://localhost:8123 即可使用 LangGraph Studio。LangGraph 正是为解决这些问题而生。它不是一个替代品，而是 LangChain 的。——为"大模型调用智能体"这个充满不确定性的过程，套上了一层稳定可控的外壳。LangGraph 的核心是。

2026-08-16 21:23:09 144

原创 LangChain 从入门到实战：构建智能应用的全栈指南

tools.py# 模拟订单数据库"user": "小明","item": "VIP 年费会员","status": "已完成",},"user": "小明","item": "Python 实战课程","status": "配送中",},@tool"""搜索菜鸟教程知识库，获取关于平台、课程、政策等官方信息。Args:query: 搜索问题或关键词，例如"VIP会员价格"、"退款政策"等Returns:从知识库中找到的相关信息，如果未找到则提示转接人工客服"""

2026-08-16 20:05:35 284

原创 LlamaIndex vs LangChain：RAG框架深度对比与选型指南

你的需求推荐框架理由快速构建文档问答LlamaIndex开箱即用，API简洁复杂工作流自动化LangChain链式编排强大智能体（Agent）应用LangChainAgent框架最成熟多数据源知识库LlamaIndex数据连接器丰富生产环境部署视情况而定LangChain更稳定，LlamaIndex更专注团队学习成本低LlamaIndex学习曲线平缓需要最大灵活性LangChain组件化设计最灵活。

2026-08-13 20:11:25 225

原创 LlamaIndex 核心教程总结：从原理到实战，构建高效 RAG 系统

LlamaIndex 通过其清晰的抽象（Document, Node, Index）和灵活的配置，大幅降低了构建生产级 RAG 应用的门槛。数据流：从原始文档到可查询索引的管道。参数调优：根据任务场景（事实查询、情节理解、主题分析）合理配置chunk_sizeoverlap和top_k。架构扩展：从基础的出发，可以逐步集成检索器、合成器，乃至构建复杂的 Agent 工作流，以满足更高级的应用需求。建议初学者从。

2026-08-13 20:07:59 291

原创 LangChain 中间件与人工介入：构建可控的智能客服系统

中间件是 LangChain Agent 执行流程中的拦截器，可以在模型调用前后插入自定义逻辑。过滤用户输入内容修改模型输出添加系统级功能（如日志、监控）控制执行流程（跳转、终止）保持中间件轻量：避免在中间件中执行耗时操作明确执行顺序：输入验证在前，输出格式化在后错误隔离：每个中间件应该有独立的错误处理可配置化：通过参数控制中间件行为。

2026-08-12 21:42:37 241

原创 LangChain与LangGraph深度解析：从智能体搭建到工作流编排

随着大语言模型（LLM）技术的快速发展，AI智能体（Agent）已成为构建复杂AI应用的核心范式。LangChain作为最流行的LLM应用开发框架，提供了从基础模型调用到复杂智能体构建的全套工具链。而LangGraph作为其工作流编排引擎，进一步将智能体开发推向工程化、可控化的新高度。本文将深入探讨LangChain的核心架构、智能体搭建过程，以及如何通过LangGraph实现复杂工作流编排，并分析其与Harness Engineering的相似性。LangGraph：使用节点和边定义智能体执行流程。

2026-08-12 14:32:35 281

printf1314的博客