qq_36038282的博客

机器学习是人工智能的核心技术，主要分为四种类型：监督学习通过标注数据训练模型进行预测分类（如人脸识别）；无监督学习从无标签数据中挖掘隐藏模式（如客户分群）；深度学习通过神经网络自动提取特征，擅长处理图像、语音等复杂数据；强化学习通过试错和奖惩机制优化决策（如AlphaGo）。这四种方法各具特点，共同推动AI在金融、医疗、自动驾驶等领域的应用突破。

摘要：本文通过开发者小凯的实践案例，系统介绍了如何利用LangGraph框架解决复杂AI流程开发中的典型问题。从基础的天气查询ReActAgent、带记忆的聊天机器人，到多用户长期偏好隔离存储、RAG文档问答系统，最后实现带人工分支的智能RAG流程。文章详细展示了每个场景的核心概念、代码实现和效果验证，突出LangGraph在可视化流程编排、状态管理、条件分支和人工介入等方面的优势。通过节点-边的设计模式，LangGraph有效解决了传统线性代码难以处理的循环调用、上下文记忆、多用户隔离和流程中断恢复等问题

摘要： Function Calling 是大模型突破自身知识局限的关键技术，通过调用外部工具（如API、数据库）实现从“思考”到“行动”的闭环。其核心流程包括：1）模型根据工具定义和用户请求判断是否调用工具并生成参数；2）执行工具并返回结果；3）模型整合结果生成自然回复。典型应用包括实时检索、私有数据查询、跨模型协作等。该技术推动大模型从“文本生成器”升级为“系统控制器”，扩展了知识时效性、行为能力和系统集成边界，实现从“规则驱动”到“理解驱动”的范式转变。

摘要：大语言模型（LLM）自主智能体通过结合规划、记忆和工具使用三大组件，将LLM从文本生成器升级为问题解决者。规划组件负责任务拆解和反思优化；记忆组件实现短期和长期经验存储；工具组件扩展LLM能力边界。典型案例包括ChemCrow（化学研究）、AutoGPT（通用任务）和GPT-Engineer（代码生成）。当前挑战在于上下文窗口限制、长期规划不足和自然语言接口不可靠。未来发展方向包括改进上下文处理、规划算法和记忆检索，以实现更实用的智能体应用。

《LangChain：AI开发的项目经理》 LangChain如同AI应用开发的项目经理，核心价值在于让复杂的AI开发变得有条理。类比年会筹备，LangChain提供三大功能：1）模型I/O封装，统一对接不同AI供应商；2）LCEL流程编排，像年会清单一样串联开发步骤；3）数据连接，协助查找处理素材。 核心组件包括： 模型I/O封装：统一对接方式，提供Prompt模板和结构化输出 LCEL流程编排：用管道符串联开发步骤，支持RAG等复杂流程 数据连接：基础文档处理能力 与LlamaIndex的关系：Lang

本文介绍了RAG（检索增强生成）中文档切分的核心矛盾及解决方案。传统方法面临两难：小文档块匹配精准但信息不全，大文档块信息完整但匹配效率低。LangChain的父文档检索器通过"双层文档块"设计解决了这一矛盾：子文档块（小）用于精准匹配，父文档块（大）提供完整上下文。文章详细解析了两种实现方案（短文档/长文档处理），并提供了代码示例，展示了如何通过协调向量库、文档存储和切割器实现高效检索。该方案显著提升了RAG系统的答案质量和连贯性，有效平衡了检索精度与信息完整性的需求。

Qwen-Agent是基于通义千问开发的RAG框架，通过三级智能体架构解决检索增强生成的核心痛点。Lv1基础检索实现"关键词+BM25"精准定位；Lv2分块检索通过语义评估和二次检索提升准确率；Lv3逐步推理能拆解多跳问题并分步解决。评测显示其在百万字文档中"大海捞针"的成功率显著优于传统方案，并通过银行考核案例验证了落地效果。该框架支持从简单问答到复杂推理的全场景需求，能灵活平衡效率与效果。

浦发银行西安分行的客户经理小李遇到系统检索难题，当查询"客户经理考核标准"时，系统仅返回字面匹配结果，无法获取相关考核细则。IT工程师小周通过诊断发现系统存在"单一查询"问题，于是使用LangChain的MultiQueryRetriever工具进行改造：1）初始化大模型作为"翻译官"生成相近查询；2）配置回调管理器记录查询过程；3）创建多查询检索器实现多角度检索。改造后系统能自动生成3-4个相关查询，显著提升了检索效果。小李测试时成功获取了业绩折

RAG系统中topK参数是平衡召回效果与效率的关键因素。实验表明：topK过小（k=1）会导致漏检关键信息；过大（k=10）会引入冗余干扰；合理范围（k=3-5）能兼顾准确性和效率。建议根据文档结构化程度选择初始值，通过测试验证最优解，并考虑向量库特性调整。在结构化文档场景中，k=5能实现95%相关文档覆盖，同时控制处理时间在1.2秒内，是召回全面性与精度的最佳平衡点。优化时可配置参数化topK，并添加相似度过滤机制提升效果。

本文系统介绍了RAG（检索增强生成）技术落地的6个核心步骤：1）数据准备：收集高质量语料并进行结构化处理；2）测试集构建：生成QA对用于效果评估；3）技术选型：根据需求选择零代码、低代码或定制化方案；4）知识库优化：采用7种召回策略提升检索精度；5）测试优化：从功能、性能多维度验证；6）效果评估：使用Ragas工具量化指标。文章强调RAG商业落地需要数据、工具、优化和评估的闭环，并提供了各环节的具体操作方法和工具推荐。

RAG是啥

本文系统介绍了文本向量化技术的发展历程及其在人工智能中的关键作用。从最初的词袋法（BOW）开始，到考虑词频的改进版，再到TF-IDF方法引入关键词筛选机制；随后重点讲解了Word2Vec算法通过神经网络捕捉词语语义关系，最后介绍Transformer的Attention机制和BGE模型如何实现上下文感知的动态词向量表示。这些技术的迭代演进使计算机对文本的理解从简单的词频统计逐步发展到能处理语义关联、一词多义等复杂语言现象，为RAG框架等AI应用提供了强大的文本处理基础。全文以通俗易懂的比喻展现了文本向量化技