- 博客(41)
- 收藏
- 关注
RSS订阅原创 【LangChain核心组件】Retrieval（检索）模块
在AI技术日新月异的今天，大型语言模型（LLM）的局限性也逐渐显现——它们无法有效处理特定领域知识和用户私有数据。这正是检索增强生成（Retrieval-Augmented Generation，RAG）技术崛起的根本原因。作为当前最主流的解决方案框架，LangChain的Retrieval模块为企业级AI应用开发提供了完整的工具链。本文将带您深入解析这个革命性框架的核心组件与技术实现。
2025-04-15 17:19:09
199
原创 【LangChain核心组件】Model I\O（输入/输出模块）
Model I/O 是 LangChain 与语言模型交互的基础，负责输入输出全流程。但 LangChain 的强大之处在于其模块化设计，通过将 Model I/O 与 Chains、Agents 等组件结合，能够构建灵活复杂的语言模型应用。
2025-04-14 15:06:07
666
原创 【LangChain少样本提示工程实战】FewShotPromptTemplate原理与应用解析——附运行代码
在AI工程实践中，如何让大语言模型快速适应复杂任务且避免海量数据训练？LangChain框架的提供了高效解决方案。本文深入剖析其核心机制：通过结构化示例动态构建提示模板，引导模型学习分步推理逻辑，实现少样本场景下的精准输出控制。作为少样本提示工程的代表性工具，它既能减少对模型微调的依赖，又能突破零样本提示的局限性，在复杂问答、格式规范输出等场景展现显著优势。
2025-04-13 19:39:54
731
原创 【LCEL链式调用】LangChain开发：1行代码实现异步/批量/流式，代码量直降70%
本文主要通过代码的形式，直观对比“使用LECEL链式调用和不使用时的编写形式”，通过对比可以发现，LCEL链式调用在编写形式上，极大的简化了代码量，只需通过管制符“|”定义运行流程，不用通过定义不同的功能类和复杂的逻辑进行调用，在开发过程中能够极大提高开发效率。引言核心观点："LCEL 链式调用能极大简化代码量，只需通过管道符 | 定义运行流程，无需定义复杂的功能类和调用逻辑，显著提升开发效率。"通过文中代码对比，我们可以从 代码结构、可维护性、功能扩展性 三个维度验证这一结论
2025-04-12 18:51:12
1174
原创 【Chain（链） 和 LCEL（LangChain Expression Language） 】概念区，用途差异对比
在LangChain框架中，和是两个密切相关但本质不同的概念。: 是LangChain中，指将多个组件（模型、工具、逻辑）串联成一个可执行的任务序列。: 是LangChain提供的，专门用于的语法工具。换句话说，。LCEL存在的意义是让开发者以更简洁、高效的方式创建复杂的Chain。LLMChain连接组件（如：构建一个链——生成提示词 → 调用模型 → 解析输出。
2025-04-12 15:28:53
1071
原创 【Agent Planning】智能工具元数据自动化生成与大模型调度引擎——附代码示例
该代码主要通过定义工具和提示词，并通过调用千问大模型进行步骤推理。通过提示词定义推导步骤格式，实现了更易读的数学运算的推导过程，并给出最终答案。*通过函数签名解析自动生成OpenAI兼容的function calling描述。**新增工具仅需：①定义函数 ②添加到tools列表。增加示例演示（few-shot learning）补充说明：读者可先运行示例代码后，再观看全文。*默认值处理逻辑清晰（*支持类型注解检测（**多次JSON序列化/反序列化（**提示模板与业务逻辑解耦。**未实现工具调用历史管理。
2025-04-11 18:00:10
1429
原创 【基于LangChain的千问大模型工具调用】 Function Calling&Tool Calling简易示例
"用户输入 → 意图分析 → 工具调用 → 结果返回"。功能：根据用户输入自动选择数学计算/天气查询工具处理。
2025-04-10 19:37:10
342
原创 【langchain库名解析】
工具定义：通过 @tool 装饰器或 BaseTool 类封装函数[]，自动生成名称、描述和参数结构。例如：天气查询工具需定义 location 和 unit 参数。工具注册：将工具存入列表或 ToolManager，供 Agent 动态调用。提示工程：使用 render_text_description 生成工具描述文本，嵌入系统提示，引导模型选择工具并生成 JSON 参数。链式调用：通过 LCEL 表达式串联提示模板、模型和 JsonOutputPa
2025-04-10 19:30:56
840
原创 【LangChain框架组成】 LangChain 技术栈的模块化架构解析
LangChain 技术栈的模块化架构，核心围绕 LangChain 框架展开，通过分层设计支持多语言、多场景的 AI 应用开发。模块分为功能层、工具层、核心层和扩展层，强调模块化、可扩展性和跨平台兼容性。
2025-04-08 16:33:49
1055
原创 【LangChain】Python装饰器自动生成AI可读的元数据——附代码示例
该代码示范了声明式编程：开发者只需声明功能（做什么），不用关心元数据生成（怎么做）关注点分离：业务逻辑与接口描述自然解耦元数据驱动：为构建智能系统提供基础设施这种模式正在成为现代AI应用开发的标准范式，被广泛应用于：LangChain工具调用AutoGPT插件系统 等场景。
2025-04-07 19:16:56
508
原创 【Function Calling】工具集成的核心流程——附实例代码
组件对应字段作用示例签名nameparametersreturns定义函数调用规则和结构强制调用时必须传参类型type约束参数和返回值的数据类型限定参数为字符串文档解释功能和参数语义"description": "获取指定地区的当前天气信息"说明函数用途。
2025-04-07 00:24:45
820
原创 【深入解析RBAC】现代系统权限管理的核心引擎
80%的数据泄露事件源于权限管理不当。而RBAC正是解决这些痛点的银弹，全球500强企业中92%的核心系统采用RBAC模型。：角色变更批量生效（如"财务主管"权限调整影响所有该角色用户）：直接绑定用户与权限 → 用户量过百即失控。：遵循最小权限原则（新员工默认无权限）新功能上线时，权限配置需要多少工时？能否在1小时内冻结离职员工所有权限？≤2个"否" → RBAC成熟度优秀。≥5个"否" → 系统处于高风险状态。：给实习生赋予"数据库备份"权限。3-4个"否" → 需要立即优化。
2025-04-06 16:40:34
587
原创 【Function Calling与Tool Calling】深度解析大模型智能中枢的架构革命
Function Calling技术正在重塑企业智能化转型的技术路线。掌握以下核心能力将成为开发者的关键竞争力：复杂系统API的语义化封装能力多模态工具链的编排设计能力安全与性能的平衡艺术业务语义的深度理解能力建议开发者重点关注工具编排框架（如LangChain, Semantic Kernel）的演进，同时深入垂直行业理解业务场景，这将是在大模型时代构建差异化竞争力的关键。
2025-04-06 15:27:04
758
原创 《LangChain 核心工作流程解析：构建高效大模型应用的蓝图》
LangChain 通过模块化设计，将大语言模型转化为真正的生产力工具。掌握其工作流程后，开发者可以：✅ 快速构建企业级AI应用✅ 实现知识的有效管理和利用✅ 创造自然流畅的对话体验随着LangChain生态的持续发展，我们正站在智能应用开发的新纪元。建议读者从官方文档入手，结合实际业务需求，开启自己的LLM应用开发之旅。
2025-04-05 23:50:18
997
原创 【LLM 温度参数（Temperature）解析指南】：从0-1如何选择合适的参数
如果设为 0.3，可能每次推荐相同的热门动漫（如《一人之下》）；设为 0.7 则会覆盖小众作品（如《时光代理人》《刺客伍六七》）。用同一问题（如“写一首关于春天的诗”）测试不同温度值，观察输出差异。的任务，适当提高温度（0.6~0.8）可以让回答更丰富。高温时需限制生成长度（避免跑偏），低温时可放宽。→ 避免低概率词干扰（更适合开放式生成）。，模型会选择概率最高的词（保守、精准）。，模型会探索低概率词（创造性、多样性）。时，同一问题可能得到截然不同的回答。时，模型可能会反复生成相似的答案。
2025-04-04 23:08:06
844
原创 【python】模拟客户端-服务端（Client-Server） 交互场景——附代码示例
这段代码包含了一个客户端和一个服务端的实现，使用Python的Flask框架创建了一个简单的RESTful API服务，并通过requests库进行客户端调用。字段，值为"以接受并修改"（应为"已接受并修改"），则将其从JSON字符串解析为Python对象。接收GET请求，从查询参数中获取名为。参数，则返回字符串"接收到请求"接收JSON格式的POST请求。将数据转换为JSON格式返回。获取请求体中的JSON数据。字段，值为"以接受并修改"注意URL中的查询参数。是一个JSON字符串。
2025-04-04 22:09:35
427
原创 【python必备技巧】创建虚拟环境教程
它允许你在同一台机器上为不同的项目创建隔离的Python运行环境，每个环境可以有自己独立的Python版本和第三方库依赖。说明：激活成功的话，在终端的最开头会出现“虚拟环境名”。如示例中创建的虚拟环境名是“.venv”，所以一旦激活成功，终端每句命令开头都会出现“.venv”通过掌握虚拟环境的使用，你可以更专业、更高效地管理Python项目，避免各种依赖冲突问题。A：可以，但放在项目目录内更方便管理，也便于.gitignore设置。：团队项目中使用一致的虚拟环境名称(如都使用。直接删除虚拟环境目录即可。
2025-04-04 16:38:28
701
原创 《Python调用DeepSeek API详细教程：从流式传输到实战技巧——附代码示例》
各大平台的AI模型的步骤都会有所不同，如百度文心一言，ChatGPT等，但是调用的流程都是一样的。在其官网上都会有相应的API调用代码示例，可通过参考代码示例进行测试，并扩展，以下是演示查找步骤。API 会**逐片段（chunk）**返回响应，像流水一样逐步生成。需要等待模型完全处理完成后，才能拿到全部结果。客户端可以实时收到部分结果，无需等待全部生成。响应内容较长（如文章生成、代码编写）。完整可运行的代码示例（附调试技巧）生成完整响应，并整体返回给你。不需要实时展示，只需最终结果。
2025-04-03 17:20:01
865
原创 《LangChain技术原理剖析：OpenAI Function Calling的实践与应用》
,"unit": {},name：函数的唯一标识符：自然语言描述，决定LLM如何选择该函数parameters：定义输入参数的完整Schema。
2025-04-03 11:15:00
459
原创 《2025 Prompt工程实战大全：10个改变你工作方式的AI应用案例》
今天分享10个经过验证的Prompt工程案例，涵盖职场、创作、编程、教育等核心领域，每个案例都可直接复制使用，助你立即提升生产力！
2025-04-03 08:00:00
178
原创 《2025最新Prompt工程指南：10个颠覆性技巧让AI成为你的超级助手》
实测效果：响应精准度提升65%：自动检测Prompt潜在风险。2025年新型情感AI专属。：通过脑电波微调AI响应。：AR环境中的三维指令。：利用量子计算优化提示。
2025-04-02 21:45:00
261
原创 【PDF内容提取】使用LangChain和PyPDFLoader提取PDF文本内容——附示例代码
使用LangChain的PyPDFLoader可以轻松实现PDF文本提取，为后续的文档处理和分析奠定基础。这种方法简单高效，适合各种规模的PDF处理需求。随着LangChain生态的不断发展，将有更多强大的文档处理功能可供探索。
2025-04-02 18:46:11
770
原创 《深入解析 Prompt 基本原理：如何高效引导 AI 生成优质内容》
在当今 AI 技术快速发展的时代，Prompt（提示词）已成为与大模型（如 ChatGPT、Claude、Gemini 等）交互的核心工具。一个优秀的 Prompt 能显著提升 AI 生成内容的质量，而糟糕的 Prompt 可能导致输出偏离预期。"写一篇 800 字的科普文章，介绍人工智能的发展历程、核心技术（如深度学习）及未来趋势，语言通俗易懂，适合普通读者。*"你是一名资深科技博主，请写一篇 1000 字左右的文章，介绍大语言模型（如 GPT-4）的工作原理。欢迎在评论区分享你的经验！
2025-04-02 17:00:55
800
原创 《检索增强思维（RAT）：大语言模型多步推理的突破性进展》
RAT技术通过深度整合检索与推理，为大语言模型解决复杂问题提供了全新范式。尽管存在响应速度等挑战，但其在提升事实准确性和逻辑严谨性方面的价值已经得到验证。随着检索效率的不断提升和推理算法的持续优化，RAT有望成为下一代AI系统的标准架构，推动大模型在医疗、法律、科研等专业领域的深入应用。未来，我们预期将看到：更精细的推理-检索交互机制跨模态RAT系统（结合文本、图像、代码等）个性化推理模式适配这些发展将进一步释放大模型解决复杂现实问题的潜力。
2025-04-02 11:59:51
686
原创 《RAG系统常见问题及解决方案：提升检索增强生成效果的关键策略》
RAG系统作为连接大型语言模型与外部知识的重要桥梁，其优化需要检索与生成两方面的协同改进。通过本文介绍的问题分析框架和解决方案，开发者可以系统性地提升RAG系统的性能。未来，随着基础模型的进步和检索技术的创新，RAG系统将在知识密集型任务中发挥更加关键的作用。持续关注多模态整合、个性化适配和实时更新等前沿方向，将帮助您的应用保持技术竞争力。关键要点总结用户输入优化是提升RAG效果的第一步混合检索策略比单一方法更可靠生成阶段需要强约束以确保事实性端到端的迭代框架能显著改善复杂问题处理。
2025-04-02 11:08:52
806
原创 《RAG与微调技术深度对比：如何为你的AI项目选择最佳方案》
在构建基于大型语言模型(LLM)的应用系统时，检索增强生成(RAG)和模型微调(Fine-tuning)是两种主流的技术路线。本文将从8个关键维度对这两种方法进行全面对比分析，帮助开发者根据具体业务需求做出最优技术选型。
2025-04-01 23:51:31
555
原创 《OpenAI如何通过3阶段8种方法将RAG准确率从45%提升至98%》
OpenAI的这一优化历程提供了宝贵的RAG实施方法论：1. **分层优化策略**：- 先解决基础检索问题- 再处理结果精炼- 最后优化交互流程2. **技术组合优势**：- 结合传统信息检索与LLM能力- 算法优化与业务规则并重- 自动化处理与人工洞察结合3. **持续迭代文化**：- 基于数据的渐进式改进- 不满足于单次优化结果- 系统性解决各类边界情况对于希望实施RAG技术的团队，OpenAI的这一案例提供了明确的技术路线图。
2025-04-01 21:14:40
774
原创 《从传统RAG到模块化RAG：演进与架构解析》
本文将系统介绍RAG技术的演进历程，从传统架构到模块化设计，帮助读者全面理解这一领域的最新发展。模块化RAG代表了当前最先进的架构思想，它将整个系统分解为多个功能独立的组件，通过标准化接口实现协同工作。这些优化步骤形成了一个更完整的工作流程：预检索优化→检索→后检索处理→LLM生成，使系统能够处理更复杂的查询需求。这种"检索-生成"的两阶段模式虽然简单，但在许多应用场景中已经展现出显著效果，为后续更复杂的架构奠定了基础。这种演进反映了技术发展的普遍规律：从简单到复杂，从固定到灵活，从单一到模块化。
2025-04-01 20:48:21
797
原创 《RAG模型中的文档切割技术：原理、实践与代码示例》
文档切割是构建高效RAG系统的关键环节。通过本文介绍的方法和代码示例，开发者可以：根据需求选择合适的切割策略实现高质量的文档预处理构建完整的文档处理流水线随着LLM技术的发展，文档切割技术也在不断进化。建议持续关注以下方向：基于LLM的智能切割动态自适应切割策略多模态文档处理。
2025-03-31 21:56:16
891
原创 《基于Sentence-Transformer和FAISS构建语义搜索的原理与实践：从概念到简单实现》——附代码示例
语义搜索技术正在改变我们获取信息的方式。通过本文的简单示例，您已经了解了它的核心思想。虽然实际系统要复杂得多，但基本原理是相通的。希望这个入门介绍能激发您进一步探索的兴趣！> 小提示：您可以在Colab或本地Jupyter笔记本中运行上面的示例代码，亲自体验语义搜索的效果。尝试修改知识库内容和查询语句，观察结果如何变化。
2025-03-31 19:33:13
653
原创 从用户问题到智能检索：解析向量搜索的核心流程
未来，随着多模态模型（如 GPT-4 Vision、CLIP）的发展，向量搜索将在。用户过去喜欢“深度学习”内容 → 向量推荐相似文章（如“PyTorch 入门”）。搜索“宠物照片”，即使关键词不匹配，也能返回“猫、狗”相关内容。：用户输入查询条件（如数学表达式）并计算行为向量。：存储原始数据（如用户行为、文档、商品信息）。：将查询或数据转换为向量，并支持相似性检索。（如余弦相似度、欧氏距离）找到最匹配的向量。：用户提交的查询，如自然语言问题或指令。：存储生成的向量数据，供快速检索。
2025-03-31 15:38:37
1059
原创 《大模型向量维度的奥秘：从数学原理到性能优化》
数学本质：向量维度是向量中数值的数量，例如一个词向量若由2048个数值组成，则其维度为2048。在大模型中，这通常对应Transformer架构中的d_model参数（如隐藏层维度），决定了嵌入层、自注意力机制和前馈网络的输入输出大小；信息表达能力：高维度向量可捕捉更丰富的语义和语法特征，例如词向量能通过高维空间的距离反映语义相似性（如“苹果”和“香蕉”在向量空间中距离较近）。但维度过高会增加计算复杂度，可能导致过拟合；而维度过低则无法充分表征数据复杂性。大模型中的向量维度。
2025-03-31 15:10:47
1027
原创 大模型精准问答机制解析：从语义向量化到上下文增强的完整流程拆解
因为计算机无法直接去理解文本内容，所以需要将用户的问题文本进行转化，从而得到计算机能够去识别理解的文本形式，也就是数值形式的数据；也就是“问题文本的向量化数据“与”大模型知识库中的向量化数据”会进行距离计算，距离越小相似度越高，大模型会选出相似度较高的数据。这里用户输入的问题向量化文本（转化为数值型的文本）会与大模型的知识库进行相似度检索。用户输入问题——问题向量化（检索阶段）——向量相似性检索——拼接上下文与问题——大模型生成答案——用户接收答案。：在二维平面上，两点之间的直线距离就是 L2 距离。
2025-03-30 19:32:45
1133
转载 【deepseek-R1】 满血调用——API申请详细教程（天翼云）
API请求地址：https://wishub-x1.ctyun.cn/v1注意：cherry-studio中的地址为：https://wishub-x1.ctyun.cn/v1/API请求完整地址：https://wishub-x1.ctyun.cn/v1/chat/completionsAPI请求模型名称(昇腾版r1)：4bd107bff85941239e27b1509eccfe98。
2025-03-30 16:26:23
70
原创 构建RAG模型的核心基石：知识库搭建与数据清洗指南
知识库的构建与数据清洗是RAG模型成功的“隐形支柱”。通过本文的系统梳理，希望读者能掌握从数据筛选到高效检索的全链路关键技术。
2025-03-30 12:25:06
1051
原创 RAG（检索增强生成）技术解析：原理、应用指南
是一种结合 和 的先进技术，旨在提升生成模型（如GPT、BART等）的准确性和可靠性。其核心思想是：在生成文本前，先从外部知识库或文档中检索相关信息，再将检索结果融入生成过程，从而生成更符合事实、更精准的答案。
2025-03-29 23:49:28
991
原创 百度文心一言API调用全流程详解：从鉴权到实战（附代码示例）
①获取AK/SK：从百度智能云控制台申请API Key（AK）和Secret Key（SK）。• AK/SK需存储在环境变量或加密配置中，**切勿暴露在代码仓库**。• 使用连接池（如`requests.Session`）减少延迟。② 添加`access_token`（通过鉴权获取）。• 异步调用提升吞吐量（如`aiohttp`库）。1. **鉴权认证**：获取API调用权限。3. **调用与响应**：执行请求并解析结果。2. **参数处理**：规范请求格式。• 添加重试机制（如指数退避）。
2025-03-29 19:04:37
946
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人