TracyCoder的博客

提示词模板就是把“问问题”这件事标准化，不用每次都手写完整的提示词。除了可以设置一些输入变量，也可以定义一些自动填充的变量。通过给几个例子，教 AI 按你想要的格式输出。可定义多轮对话模板。

把文字转换成数字向量，相似的文字会得到相似的向量。

这篇文章会把它们的核心思想、公式、差异、适用场景讲透，并配上图示与实践建议。于是就有了 TF-IDF，再进一步发展到 BM25。会抑制超长文档的天然优势，使短文和长文更公平。如果你做搜索、问答系统（RAG）、文档召回，或做裁剪，防止负值过大（不同库有差异）。这符合直觉：同词重复太多次，新增信息有限。最朴素方法：只看关键词出现次数（TF）。表示词在整个语料里有多“稀有”。BM25 正是为检索排序而生。，导致随词频上升收益递减。几乎是绕不开的基础。按 TF-IDF 排序。

你可以把它想象成一个"快递包裹"，每经过一个节点，就往里面加点东西或者修改点东西。这种有分支、有循环、有状态的复杂流程，用普通代码写起来会很乱。Node 就是干活的。每个节点是一个 Python 函数，接收当前状态，返回需要更新的字段。LangChain 是做零件的，LangGraph 是用这些零件搭建复杂系统的。当任务复杂时，一个 Agent 搞不定，需要多个专业 Agent 配合。LangGraph 就三个核心概念，搞懂了这三个，其他都是组合拳。让我们写一个最简单的计数器程序，理解状态是怎么流转的。

作为《LangChain 基础篇》的第一章，本文将带你全景俯瞰 LangChain 的生态架构，完成开发环境搭建，并亲手编写你的第一个基于。理解这些组件的关系，是成为高级开发者的第一步。在大语言模型（LLM）应用爆发的今天，如何从简单的“对话框”走向复杂的“AI应用”？它像一座桥梁，连接了底层的模型能力与上层的应用逻辑。（利用其 OpenAI 兼容接口），完成一个“核心概念解释”的任务。通过本篇教程，我们不仅搭建了环境，还通过一段精简的代码，体验了。我们将跳过繁琐的理论，直接通过代码上手。

接口文档在这个地址查看：https://www.xfyun.cn/doc/spark/HTTP%E8%B0%83%E7%94%A8%E6%96%87%E6%A1%A3.html#_1-%E6%8E%A5%E5%8F%A3%E8%AF%B4%E6%98%8E。本文以模型Spark Lite为例，重要信息（APIPassword、接口地址）在这个页面查看：https://console.xfyun.cn/services/cbm。相比非流式略微有一些不同，响应分成了多次，最后一个。

openai版本==1.6.1，本博客对应文件夹05。

openai版本==1.6.1，本博客对应文件夹04在前面的博客中介绍过了OpenAI一共有11个接口，其中completions接口常用于文本生成类任务。下面来对completions接口的参数、使用进行一些介绍。

openai版本==1.6.1，本博客对应文件夹03在这一篇博客中我将使用OpenAI的embeddings接口判断21条服装评价是否是好评。

OpenAI版本==1.6.1在上一篇博客中，我实现并运行了一个OpenAI的demo，我们可以发现，想要使用OpenAI完成一个需求仅需要两个步骤，第一步是 传入参数 配置并声明对象，第二步是 调用接口 实现需求。清楚这两点后，我们接着来看看源码。在openai包中，OpenAI类是核心类，它作为客户端库的入口点，提供了与OpenAI API进行交互的方法和属性。这个类封装了API的各种功能，使得开发者可以通过编写代码来使用OpenAI提供的各种服务，如文本生成、图像生成、模型微调等。下面我将针对Open

本博客对应01文件夹。

PandasAI这个工具最突出的优点就是通过结合了Pandas和生成式LLMs，极大地为开发人员降低了工作量。可以看到，对于开发人员来说实现一个需求需要完成多个步骤。PandasAI 使用生成式 AI 模型来理解和解释自然语言查询，并将其转换为 python 代码和 SQL 查询。然后，它使用代码与数据进行交互，并将结果返回给用户。可以看到，

一句话总结的话，PandasAI就是一个结合了Pandas和AI的开源工具，更详细地说，PandasAI 是一款强大的Python库，它使得用户能够以自然语言轻松向各类数据源（如CSV、XLSX、PostgreSQL、MySQL、BigQuery、Databricks及Snowflake等）提出问题。同时，它能有效处理缺失值问题以净化数据集，并通过特征生成进一步提升数据质量。），已经有其他人遇到了和我一样的问题，并给该开源作者提了issue，但是目前这个bug还没有修复，因此需要修改一下demo的代码。