ReAct Agent终极指南｜LangChain实战×多工具调度×幻觉消除，大模型入门到精通，收藏这篇就足够了！

Llama-Turbo Llama-Turbo 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 800+累计阅读 886平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄4年
关注
原创 最新推荐文章于 2026-09-06 12:09:38 发布 886 阅读 AI 写同款· GEO 优化 ›
LangChain教程 - Agent - 支持 9 种 ReAct 交互 LangChain 总结了 9 种经典的复杂模型交互模式，每种都针对特定任务设计，兼具独特优势与适用场景，内容涵盖： ReAct、Function Call、知识库、搜索等，使用这些模式可以大大简化这些场景开发难度。这些模式可以使用Agent形式来使用，并以AgentType来做区分，详见下面实例。在开发时，选择合适的 AgentType 是成功的关键，本文将逐一剖析这些代理类型，结合特性分析、应用场景和代码示例，助你在实际项目中快速找到最优解。 阅读详情

引言：超越传统提示的局限性

在早期的大语言模型（LLM）应用中，提示工程（Prompt Engineering）是连接用户意图与模型输出的核心手段。然而，纯提示驱动的方案在多步推理、工具调用和动态环境交互中常显不足。ReAct框架（Reasoning+Acting）应运而生，通过将链式推理（Reasoning） 与环境行动（Acting） 结合，构建出能主动思考、决策并执行复杂任务的智能体（Agent）。

一、ReAct的核心设计思想

  1. 推理（Reasoning）模块
  • 动态思考链（Chain-of-Thought） ：Agent在每一步生成自然语言推理逻辑，解释当前决策原因（如：“用户需要查天气，需先获取位置信息”）。
  • 错误回溯机制：当行动失败时，Agent能分析原因并调整策略（如：“API返回错误，可能是参数格式问题，重试前需校验输入”）。
  1. 行动（Acting）模块
  • 工具集成（Tool Calling） ：调用外部API、数据库、计算器等（如：search_weather(location=“Beijing”)）。
  • 环境状态感知：实时接收行动结果，作为下一步决策的输入（如：“获取到北京气温25°C，建议用户带薄外套”）。

3.交互闭环：Reasoning与Acting的循环

ReAct的执行流程形成自迭代循环：

Final

每一次循环都将环境反馈纳入推理，实现动态适应复杂场景的能力。

二、技术优势：为什么ReAct优于传统Agent？

  1. 解决LLM的“幻觉”问题

传统Agent可能盲目执行错误指令，而ReAct的显式推理步骤让决策过程可追溯，减少无依据输出。
案例：当用户问“爱因斯坦最近的推特说了什么？”，ReAct会先推理：“爱因斯坦已去世，需搜索历史资料库而非实时社交媒体”。

  1. 支持长任务分解

复杂任务被拆解为原子化推理-行动对（ReAct Pair）执行：

# 用户请求：“分析特斯拉过去一年的股价趋势并总结原因” Steps: 1. Thought: 需要特斯拉股票代码 → Action: search_stock_symbol("Tesla") 2. Observation: 获得代码TSLA 3. Thought: 查询过去一年股价 → Action: get_stock_data("TSLA", period="1y") 4. Observation: 接收时间序列数据 5. Thought: 调用数据分析模型 → Action: analyze_trend(data)

3.无缝集成领域工具

通过工具注册机制（如LangChain Tools），Agent可灵活扩展能力边界：

tools "web_search" # 自定义Python计算器 agent

三、架构实现：从理论到代码

  1. 核心组件拆解
模块功能说明实现示例
LLM Core生成推理与行动指令GPT-4、Claude 3、Llama 3
Tool Engine工具调度与执行LangChain Tools, LlamaIndex
Memory存储历史观察与推理链Redis、向量数据库
Parser解析LLM输出为结构化操作Pydantic + 正则表达式
  1. 代码片段：简易ReAct循环实现
from import from import def web_search query: str str # 调用搜索API return f"Results about {query}" "Search" "Search the web" 0 "巴黎埃菲尔铁塔高度是多少米？" for in range 3 # 最大迭代步数 if "Final Answer" in print break else # 执行Action并更新环境反馈 f"\nObservation: {action_result}"

四、挑战与优化方向

  1. 现实瓶颈
  • 推理漂移（Reasoning Drift） ：长任务中思维链可能偏离目标。
    解法：加入强化学习奖励机制（如PPO）对齐目标。
  • 工具依赖风险：API失败导致任务中断。
    解法：构建Fallback策略，如重试、替换工具或请求人工干预。
  1. 前沿探索
  • 多智能体协同（ReAct Swarm） ：多个Agent分工协作处理子任务。
  • 推理压缩（Reasoning Distillation） ：将复杂推理链蒸馏为更高效的微调模型。

结论：走向自我进化的智能体

ReAct不仅是工具调用框架，更代表着LLM从内容生成向决策智能的跨越。随着开源框架（如LangChain, AutoGPT）的成熟和LLM推理能力提升，ReAct Agent将在自动编程、智能运维、科研辅助等领域释放巨大潜力。未来，融合记忆增强、多模态感知和人类反馈的下一代ReAct架构，有望实现真正的通用任务自主智能体。

我们该怎样系统的去转行学习大模型 ？

很多想入行大模型的人苦于现在网上的大模型老课程老教材，学也不是不学也不是，基于此我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近100余次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包分享出来, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全链接，放心点击）👈

​

​

一、大模型经典书籍（免费分享）

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套大模型报告（免费分享）

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
在这里插入图片描述

三、大模型系列视频教程（免费分享）

在这里插入图片描述

四、2025最新大模型学习路线（免费分享）

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

在这里插入图片描述

L1阶段:启航篇丨极速破界AI新时代
​​​​​​​L1阶段：我们会去了解大模型的基础知识，以及大模型在各个行业的应用和分析；学习理解大模型的
核心原理、关键技术以及大模型应用场景。

在这里插入图片描述

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段是我们的AI大模型RAG应用开发工程，我们会去学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

在这里插入图片描述

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，我们会去学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造我们自己的Agent智能体。

在这里插入图片描述

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，我们会更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调；并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

在这里插入图片描述

L5阶段：专题集丨特训篇 【录播课】

在这里插入图片描述
全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方二维码，免费领取

👉优快云大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全链接，放心点击）👈

​

标签
#langchain #人工智能 #embedding #程序员 #RAG
#LLM #Agent
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
LangChain大模型应用开发指南：从基础链式结构到ReAct对话解构 LangChain是一个基于深度学习的自然语言处理框架，它通过使用链式结构和ReAct对话模型，为开发者提供了一种高效、灵活的方式来进行大模型应用开发。在ReAct对话模型中，反应堆是一个可配置的组件，它可以对输入的文本进行自定义处理。例如，我们可以创建一个反应堆用于回答用户的问题，另一个反应堆用于执行用户的指令，还有一个反应堆用于生成闲聊内容等。ReAct对话模型的核心思想是使用反应堆（Reactor）来处理对话中的各种情况，从而实现了对复杂对话场景的解构。可以通过配置文件定义反应堆的行为和执行顺序。 阅读详情

相关推荐

用 LangChain 构建基于资料库的问答机器人（三）：ReAct

大家好，我是 Jambo。我们已经学习了如何使用 LangChain 的一些基本功能，解下我们就应该要结合这些功能来做一些复杂的东西了。但在这之前，为了让同学们更好的理解 LangChain 在这其中做了什么，我想先介绍一下关于 GPT 使用方面的一些知识。在 ChatGPT 开放之初，除了各大公司在 AI 算法方面竞争，还有许多人在研究如何仅通过修改 prompt 就能让 GPT-3 做出更好的回答，这种方法被称为“提示工程（Prompt Engineering）”。

chenjambo的博客 1417

langchain 入门指南 - ReAct 模式

大模型的推理能力要结合外部工具使用能力共同形成任务闭环通过上下文学习方法，我们可以教会大模型思考解决问题的方法/模式（如：ReAct 模式）

rubys007的博客 2289

LangChain智能体构建流程：从工具契约到多Agent协作的工程实践

智能体（Agent）是具备目标拆解、工具调用与自我修正能力的AI工作单元，其核心原理在于将大模型的推理能力与确定性工具链进行可控协同。技术价值体现在降低LLM幻觉风险、提升任务完成鲁棒性，并支持可调试、可监控的生产级落地。典型应用场景包括客服质检、智能选品、风控审核等需多步决策与外部系统交互的业务环节。本文聚焦LangChain生态下智能体构建流程的关键实践，深入解析工具抽象层设计、三层记忆架构、提示词状态机化表达及LangGraph演进路径，尤其强调‘工具契约’与‘工作流编排’两大高频踩坑点。

weixin_33860528的博客 387

LangChain教程 - 创建 ReAct 风格智能代理

ReAct 框架，即 Reasoning and Acting（推理和行动），是一种让模型在处理复杂任务时通过推理逐步制定行动决策的模式。推理：逐步理解任务需求，制定行动计划。行动：在每个步骤中调用所需的工具（如 API、数据库），并基于反馈继续推理。这种模式尤其适合用于构建智能助手、问答系统等复杂应用，能让模型根据上下文灵活选择下一步操作。通过 LangChain 和 ReAct 框架，我们可以构建具备推理与行动能力的智能助手，让其能够逐步分解复杂任务并动态调用工具，为用户提供更智能的服务。

花千树的专栏 2343

从零构建AI编程Agent：深入理解ReAct框架与工具调用原理

在AI技术快速发展的今天，大语言模型（LLM）已成为提升开发效率的关键工具。其核心原理在于通过自然语言理解与生成能力，将复杂任务转化为可执行的步骤。其中，ReAct（推理-行动）框架是实现AI自主性的关键技术，它通过“思考-行动-观察”的循环，使模型能够进行规划、执行与自我修正。这一机制的技术价值在于将LLM的创造性推理与确定性工具操作解耦，显著提升了任务完成的可靠性与可解释性。在实际应用场景中，该框架与工具调用（Tool Calling）能力结合，使AI能够安全、精准地操作文件系统、执行命令、分析代码，从

weixin_33826609的博客 381

从概念到落地：AI Agent 学习路径与工程实战指南

AI Agent 并非神秘黑魔法，而是一套融合循环、记忆、工具与评估的系统工程。从大语言模型的基本原理出发，Agent 通过感知-推理-行动的循环执行复杂任务，其核心价值在于把不可控的模型输出转化为可工程化的稳定流程。在应用场景中，无论是知识库问答、Java 后端 Agent 集成，还是 AI Agent 测试实战，都需要围绕工具调用与结果评估构建闭环。对于后端团队，Spring AI 提供了与 Spring Boot 无缝对接的 Agent 客户端方案，可复用既有 Bean 作为工具；而测试层面则需要建立

aoe41606的博客 351

ReAct Agent终极指南｜LangChain实战×多工具调度×幻觉消除

ReAct框架（Reasoning+Acting）应运而生，通过将链式推理（Reasoning） 与环境行动（Acting） 结合，构建出能主动思考、决策并执行复杂任务的智能体（Agent）。

瓦罗兰特顶级C位的博客 1236

LangChain+Dash构建可审计的数据对话系统

自然语言数据查询是BI与数据分析领域的基础能力，其核心在于将用户意图精准解析为可执行、可验证的分析动作。该技术路径依托语义解析框架（如LangChain）实现意图识别与工具调度，结合前端可视化库（如Plotly Dash）完成交互式图表渲染，兼顾结果准确性、过程可审计性与界面响应实时性。相比Streamlit等轻量框架，Dash凭借React底层与客户端图表引擎，支持零刷新交互与会话状态持久化，更适合企业级部署；而LangChain的Tool抽象机制，则有效隔离大模型不确定性与业务逻辑确定性，显著提升系统鲁

weixin_34335458的博客 460

【AI Agent】2026年9月 AI Agent 全栈开发最新技术面试宝典（含高频+必背+大厂真题）

本文整理了2026年AI Agent全栈开发最新技术面试题，涵盖基础概念、核心框架和系统设计等关键领域。重点解析了AI Agent与普通Chatbot的本质区别（自主闭环执行能力）、Agentic Loop的完整工作流程（规划-执行-观察-评估循环），以及ReAct范式的原理与适用场景。特别强调面试回答技巧：需结合工程实践中的典型问题、处理方案和量化指标，而非简单背诵定义。内容来自字节、阿里等大厂真实面经，适合3-5年经验开发者准备春招面试，突出考察候选人在复杂场景下的技术决策能力。

小江的记录本 4619

大模型学习路线图：从Prompt工程到RAG与微调的实战指南

大模型作为当前人工智能领域的核心技术，其应用开发正从简单的对话交互向复杂系统集成演进。理解其工作原理，关键在于掌握Transformer架构、注意力机制等基础概念，这些技术通过海量数据预训练，赋予了模型强大的语言理解和生成能力。在工程实践中，RAG（检索增强生成）技术通过结合外部知识库，有效缓解了模型的幻觉问题，提升了回答的准确性和时效性。同时，针对特定场景的模型微调，尤其是采用LoRA等参数高效方法，能让通用模型快速适配专业领域需求。这些技术的核心价值在于将大模型的通用能力转化为解决实际业务问题的生产力，

dianzongfan5428的博客 529

2025生产级LLM Agent五大设计模式实战指南

LLM Agent不是高级Prompt工程，而是面向可靠执行的系统架构设计。其核心原理在于将大模型的认知能力与确定性工程组件解耦，通过任务拆解、工具调用、自反思、参数生成和多角色协同等机制，解决幻觉、不可观测、成本失控三大落地瓶颈。技术价值体现在提升任务成功率、实现细粒度成本归因、支持人类可干预的运行时调控。典型应用于金融风控（需100%决策可追溯）、电商智能客服（高并发低延迟）、工业预测性维护（多源异构工具编排）等强SLA场景。本文聚焦已在真实订单与压测中验证的五种可插拔模式。

weixin_34009794的博客 385

从LLM提示工程到RAG与Agent实战：构建自主AI系统的完整指南

大语言模型（LLM）作为当前人工智能的核心技术，通过海量数据训练获得了强大的语言理解和生成能力。其工作原理基于Transformer架构，通过自注意力机制捕捉文本中的长距离依赖关系，从而实现对复杂语义的建模。这一技术价值在于，它能够将非结构化的自然语言指令转化为结构化的输出或具体行动，极大地提升了人机交互的效率和智能化水平。在实际应用中，LLM常被用于智能问答、内容创作、代码生成等场景。为了克服LLM在事实准确性、知识实时性和复杂任务规划方面的局限，业界发展出了检索增强生成（RAG）和智能体（Agent）等

weixin_30550081的博客 316

CD-HIT的使用

继续我的生信笔记系列。从某网站的附带文献中读到该工具，搜索了一下，发现网上的大佬们都在讲如何用它去冗余，相对官方页面的介绍而言很是片面，于是刚好有聚类的需求的我准备对其全体功能做做实验，学习一下由李伟忠博士在伯纳姆研究所（现为桑福德伯纳姆医学研究所）亚当·戈兹克博士的实验室开发的牛工具。 首先是官方介绍： CD-HIT是一个非常广泛使用的程序，用于蛋白质或核苷酸序列的聚类和比较。最初由李伟忠博士在伯纳姆研究所（现为桑福德伯纳姆医学研究所）亚当·戈兹克博士的实验室开发，CD-HIT速度非常快，可以处理非常

一名学术waste的note pro 1万+

前端转Agent开发：用真实工单需求实战大模型分类与问答

在人工智能应用开发中，Agent作为一种能够自主决策并调用工具的智能体，正成为连接大模型与业务场景的关键枢纽。其核心原理基于ReAct循环，即模型输出工具调用意图，执行工具后反馈结果，再迭代决策。对于具备前端技能的开发者而言，异步事件循环、JSON解析与状态管理经验可自然平移到Agent开发中，降低转型门槛。以企业工单自动分类与知识库问答为典型场景，通过设计工具调用、上下文管理与引用溯源机制，不仅能实现结构化分类与语义检索，还能有效控制成本、抑制幻觉。本文以一个真实客户需求为切入点，梳理了从技术选型、代码实

weixin_34068198的博客 368

【电驱动】永磁同步电机工作原理及分类

永磁同步电机工作原理及分类

星Yeah 的博客 7326

点云体素化算法研究-3.Voxelization 三维模型体素化

体素（voxel）即体积元素的简称，是数字数据在三维空间分割上的最小的单位。体素化就是通过创建三维体素网格来表示三维物体，是一种将无序点云变为有序点云的降采样的空间数据结构方法，便于实现点云的空间卷积。激光雷达（LiDAR）| Open3D：第五节 表面重建-体素化。

周陽讀書 2067

AI Agent技术实战：构建自动化团队与工作流编排指南

AI Agent作为具备自主感知、规划、决策与执行能力的智能体，正从单一工具演变为能够协同工作的“数字同事”。其核心原理在于结合大语言模型的推理能力与专项任务模型的精度，通过工具调用API与环境交互，实现目标导向的复杂任务处理。这一技术为企业带来了消除信息孤岛、实现7x24小时无间断运营、标准化流程与快速能力复制的核心价值，尤其适用于自动化报告生成、市场分析、代码审查与客户服务协调等场景。本文以NEC全AI部门为引，深入探讨了基于LangChain与AutoGen框架，从角色定义、工具封装到工作流编排的完整

weixin_34357436的博客 542

Jetson Orin Nano GPIO 实战，用 devmem 玩转 Pinmux 引脚复用配置

devmem 是一个直接读写寄存器的工具，通过 mmap 将 /dev/mem 中的物理地址区域映射到用户空间进程地址空间，从而实现直接读写，正常情况下在 /dev 下可以看到 mem。可以看到对应 bit5 bit6 分别为 1，对应配置为 E_IO_HV 为 ENABLE 以及 E_INPUT 为 ENABLE。需要 TRM 手册查看相关寄存器，以及安装 busybox，busybox 内置了 devmem。根据 TRM 手册，找到 I2C_SDA 的 pinmux 地址偏移是 0x18。

darcsdn 1644

ClaudeCode / Codex能力增强与团队多Agent协作实战指南

摘要：Claude Code/Codex扩展架构与必装组件指南 本文系统介绍了Claude Code/Codex的五层扩展架构，包括Skills、Plugins、Hooks、MCP和Subagents的层级关系与协作机制。重点推荐了三类必装Skills：1) Karpathy Skills（解决LLM三大通病的行为准则）；2) Superpowers（结构化开发方法论）；3) Grill Me（设计审查工具）。这些组件能显著提升AI编码质量，消除常见问题如过度工程化、上下文漂移等。文章还提供了详细的安装方法

天赐一米阳光 1054

OpenClaw 钉钉和飞书集成方案研究 & OpenClaw 研究分析报告

OpenClaw（原名 Clawdbot，曾用名 Moltbot）是一款开源的个人 AI 智能体，采用"本地优先"设计理念。与传统聊天机器人不同，OpenClaw 具备真正的系统级执行能力，能够实际操作用户的计算机系统，完成各种实际任务。核心优势本地部署：所有数据存储在用户本地设备，隐私零泄露系统级执行：具备完整的系统访问权限，可执行文件操作、命令运行等全渠道交互：支持多种即时通讯平台作为交互界面开源透明：MIT 许可证，代码完全开放，社区驱动开发应用场景个人助理：日程管理、任务提醒、邮件处理。

AI天才研究院 2341

RK3588平台开发系列讲解（硬件篇-功能外设2）

RK3588 芯片内置两个USB3.0 OTG控制器（内嵌2个USB2.0 OTG，下图绿色处），1个USB3.0 HOST 控制器，2个USB2.0 HOST控制器。这些控制器与PHY的内部复用图如下：USB3.0 OTG0 控制器支持SS/HS/FS/LS， 内嵌的USB2.0（HS/FS/LS）信号采用USB2.0 OTG PHY， 信号名见下图的红色方框内；RK3588目前仅此接口支持做Fireware的Download，应用中请务必要预留出。

whm128的博客 2509

Toolformer：大模型工具调用原理与工程实践指南

大语言模型（LLM）面临知识滞后、计算不精确和幻觉等固有局限，其本质是静态参数化系统。Toolformer提出一种轻量级架构增强范式，通过将计算器、搜索引擎等外部工具建模为可学习的token序列，使模型在生成过程中自主决策调用时机与类型，实现事实检索、精确计算等能力的动态扩展。该方法不修改模型主干，仅需词汇表扩展与少量反向标注数据即可微调，兼具高确定性、强可追溯性与工程友好性，已成为现代AI Agent系统的核心设计思想之一。

401

线性自抗扰控制(LADRC)系统算法框图

NLADRC自抗扰控制从Simulink仿真到PLC控制实现_自抗扰控制器 simulink仿真-优快云博客本文介绍了如何将ADRC自抗扰控制算法从Simulink仿真应用到PLC控制中，包括Simulink框图、TD微分器模型、MATLAB函数的使用、SCL控制代码，以及非线性状态误差反馈控制率的实现。提供了详细的MATLAB仿真步骤和PLC源代码链接。ADRC自抗扰控制算法（含梯形图完整源代码和算法公式）_adrc算法-优快云博客。

RXXW_Dor的博客 1463

LangChain实战：从零构建企业级智能客服助手

大语言模型（LLM）作为当前人工智能领域的核心技术，其强大的文本生成和理解能力为应用开发带来了新的范式。然而，将LLM从演示原型转化为生产级应用，开发者面临着上下文管理、工具调用、知识增强和复杂工作流编排等核心挑战。这些挑战催生了像LangChain这样的框架，它通过提供标准化的组件和抽象层，将模型I/O、提示词管理、记忆、检索增强生成（RAG）和智能体（Agent）等复杂功能模块化，极大地提升了开发效率和应用稳定性。在工程实践中，LangChain尤其擅长构建需要结合私有知识库与外部工具调用的智能应用，例

Hi, Sun 388

WinCC7.5 SP2 安装与授权（文末附授权软件）

安装部分参考了wincc7.5官网下载及安装配置（适配window10超详细教程） 主要介绍授权部分（仅供学习，商用请下载正版授权）： 通过官网下载安装了WinCC7.5（需要在西门子官网注册账户，10积分下载）。 安装成功以后，还没授权，先别立即打开。 下载Sim_EBK_Install 复制链接到百度网盘中离线下载： 都是一样的软件，版本不同。有部分解压时需要输入密码，可选择方框里的不需要解压密码： 解压以后，打开： 最后检查秘钥授权是否成功 打开桌面（这是安装WinCC以后就有的）： 左

skr？ 7万+

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载

大模型 RAG + 智能体（Agent）题集指南

答题思路：RAG 全称检索增强生成（Retrieval-Augmented Generation），核心逻辑是「先检索后生成」：用户提问后先从外部私有知识库中召回相关的文档片段，再把问题 + 上下文一起喂给大模型，让大模型基于检索到的事实生成答案。它针对性解决大模型三个原生痛点：①知识时效性差，大模型训练数据有截止日期，最新业务知识、内部制度无法覆盖；②幻觉问题，大模型会编造不存在的事实，RAG 让答案有文档依据，可溯源；

weixin_43888491的博客 497

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
上一篇： AI大模型调优工程：突破显存墙与灾难性遗忘的双重挑战,大模型入门到精通，收藏这篇就足够了！
下一篇： AI开发的下一站：从Hugging Face生态看MLOps三大范式转移，大模型入门到精通，收藏这篇就足够了！
点赞 7
评论 0
书签 书签 22
Llama-Turbo
Llama-Turbo
博客等级 码龄4年 9901粉丝 2022原创
+ 关注
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值