- 博客(21)
- 收藏
- 关注
RSS订阅原创 大模型开发框架LangChain
面试官，关于链，我从三个方面回答：第一，链是什么？链是 LangChain 中把多个组件串联成工作流的机制。比如"提示词模板 → 模型 → 输出解析器"就是一个链。第二，如何构建链？现代 LangChain 推荐使用 LCEL 语法，用管道操作符连接组件。这种方式代码简洁、自动支持流式和异步。第三，有哪些主要的链类型？LLMChain：最基础，提示词+模型：带记忆的对话：根据输入路由到不同子链文档处理链：Stuff（全量塞入）、MapReduce（分而治之）、Refine（迭代优化）
2026-04-10 17:30:07
422
原创 大模型幻觉问题的解决思路
**链式验证（Chain-of-Verification）**：先生成初步回答，再单独生成验证问题并自我检查，最后修正。- **知识增强预训练**：将知识图谱嵌入模型，或使用检索-生成联合训练（如REALM、RAG）。- **检索增强生成（RAG）**：先检索相关文档，再基于检索结果生成回答，减少自由发挥。- **工具增强**：允许模型调用计算器、数据库、API（如天气、股票）来获取确定信息。- **自动化幻觉检测器**：训练专用模型（如基于自然语言推理的模型）实时监控输出。
2026-04-07 18:56:16
287
原创 MCP详解
让我用一个更生活化的例子来解释 MCP。---## 一、最直白的类比：充电器接口### 没有 MCP 的时代想象一下，如果每个电子设备都有自己独特的充电接口：- 手机用 A 接口- 电脑用 B 接口- 耳机用 C 接口- 平板用 D 接口你出差要带**4个不同的充电器**，因为每个设备都不通用。这就是早期 AI 工具集成的问题——每个工具都要单独写代码对接，换一个 AI 应用就得重新写一遍。
2026-03-31 11:15:46
424
原创 对比MCP与Skills
# MCP 与 Skills 的区别MCP（Model Context Protocol）和 Skills 是两种不同层面的 AI 能力扩展机制。简单来说：**MCP 是“连接外部工具”的协议，Skills 是“封装复杂能力”的框架**。---## 一、核心定位对比| 维度 | MCP | Skills || **本质** | 一种**协议/通信标准** | 一种**能力封装框架** |
2026-03-31 11:11:56
373
原创 Dify入门理解
Dify向量知识库摘要 Dify向量知识库通过向量化技术将私有数据（如企业文档、个人笔记）转换为语义向量存储，使大语言模型能够基于这些数据生成精准回答。
2026-03-30 18:48:31
372
原创 Anaconda与python环境的区别作用
**安装方式** | 从python.org下载安装，得到的是**最基础的“毛坯房”** | 从anaconda.com下载安装，得到的是**“精装修房”+“物业”** |1. 打开 **File** -> **Settings** （Windows/Linux） 或 **PyCharm** -> **Preferences** （Mac）| **包含关系** | Python环境是Anaconda的**组成部分** | Anaconda **包含** Python环境 + 管理工具 + 预装库 |
2026-03-11 12:12:32
332
原创 智能体和agent的概念/coze与dify
**核心理念** | **模块化的“应用工厂”**：更像个开箱即用的AI Agent生态平台，尤其在字节跳动生态内，能快速搭建面向C端用户的机器人。* **如果你想为企业打造一个可靠、安全、能处理内部私有数据的AI应用（比如基于公司海量文档的问答系统）**：**Dify** 会是更稳妥的“生产力机器”。继上一轮了解了“智能体/Agent”的基本概念后，这次你提到的**Coze（扣子）** 和**Dify**，正是目前最热门的两个帮助你亲手构建和部署这些智能体的“工作台”或“开发平台”。
2026-03-10 12:24:46
477
原创 基于电脑配置选择模型安装
*你的M3**达到100GB/s，意味着每秒能搬运100GB数据，也就是**每秒可以把整个7B Q4模型（3.5GB）搬运约28次**。| **14B** | **8.4GB** | **12 token/s** | ✅✅ **能力更强** || **7B** | **4.2GB** | **24 token/s** | ✅✅ **黄金选择** |**token/s = 每秒生成的token数量**。| **20-30 token/s** | 流畅阅读，不觉得等 | ✅ **理想体验** |
2026-03-06 19:11:18
432
原创 提示词，知识库，微调，三者的使用顺序如何选择
*三者的正确使用顺序，本质上是一个从"低成本试错"到"高成本定制"的递进过程**。**记住一个原则**：能用提示词解决的，别用RAG；| **适合场景** | 简单任务、固定规则 | 知识密集型、频繁更新 | 风格固定、复杂行为 || **成本** | 极低（小时级） | 中等（搭建检索系统） | 高（数据+GPU训练） |当提示词不够用时，不是因为模型不会回答问题，而是**它不知道你的具体业务数据**。| **更新速度** | 即时 | 即时（更新文档即可） | 慢（需重新训练） |
2026-03-06 18:14:25
275
原创 大模型提示工程指南解析
**系统提示词 (System Prompt)**：在与大模型通过API交互时，你可以设置一个**系统提示词**。4. **引导思考 (Chain-of-Thought, CoT)**：对于复杂推理问题（如数学题、逻辑题），在提示词中要求模型“**一步一步思考**”，能显著提升答案的准确性。另外，你作为开发者，在开发AI应用时，一定要关注**Token的消耗**。* **什么是提示词 (Prompt)**：简单来说，就是你输入给大模型的问题、指令或任何形式的文本，它是你与模型交互的起点。
2026-03-05 16:52:41
214
原创 服务间透传,获取上下文-＞用户登陆等信息（适用于Feign客户端调用）
System.out.println("设置Token: " + token.substring(0, Math.min(20, token.length())) + "...");System.out.println("======= 拦截器开始解析用户信息 =======");System.out.println("======= 拦截器解析完成 =======");System.out.println("======= 清理用户上下文 =======");
2026-03-05 14:51:09
347
原创 自回归模型跟序列到序列模型的区别与应用场景
**序列到序列模型**：像一位**专业的翻译官**。| **第三阶段：强化学习** | 奖励机制引导优化 | 学习深度推理，对齐人类偏好 | 从 **“听话的对话者”** 变为 **“深度的思考者”** || **第一阶段：预训练** | 海量数据自回归预测 | 获取世界知识和语言能力 | 从 **“白痴”** 变为 **“知识渊博的续写狂魔”** || **第二阶段：监督微调** | 高质量指令数据学习 | 学习遵循指令，进行对话 | 从 **“续写狂魔”** 变为 **“听话的对话者”** |
2026-03-04 16:49:36
363
原创 理解BLUE基于准确率,Rouge基于召回率概括解析与transformer解析
总的来说，**双向Transformer** 通过 **掩码语言建模** 实现了对上下文的**双向感知**，这使得它在需要**深度理解**文本的任务上表现卓越，成为了许多自然语言理解任务的基石。今天的模型，是以**强大的解码器为基座**，**深度融合了双向理解能力**，并通过**混合专家和模型融合**等技术，实现了对话、推理、创作等能力的有机统一。* **GPT：单向生成的“创作者”**。| **BLEU** | 生成的文本有多 **“像人话”** ，有多准确 | 生成的词，参考里有吗？
2026-03-03 19:36:06
369
原创 Spring中观察者模式具体实现案例应用
log.info("【订单服务】订单{}支付失败：{}", event.getOrderNo(), event.getErrorMsg());log.info("【商家通知】商品{}收到{}星好评", event.getProductId(), event.getRating());log.info("扣减商品{}库存{}", item.getProductId(), item.getQuantity());
2026-02-28 15:52:36
599
转载 Spring中工厂模式详解
public void rollback() { System.out.println("Oracle回滚事务");System.out.println("发送站内信给" + to + "：" + content);System.out.println("发送短信给" + to + "：" + content);System.out.println("发送邮件给" + to + "：" + content);System.out.println("支付宝支付：" + amount);// 自定义创建逻辑。
2026-02-28 00:01:55
626
原创 编程试事物及复杂事务的使用与应用场景介绍
pointsService.addPoints(order.getUserId(), points, "购物赠送");log.error("报关失败，准备补偿: {}", order.getId(), e);log.warn("优惠券使用失败: {}", e.getMessage());log.error("订单处理失败: {}", order.getId(), e);log.warn("积分赠送失败: {}", e.getMessage());log.error("发送通知失败", e);
2026-02-27 15:12:46
558
原创 Spring传播属性与隔离级别详细介绍
**DEFAULT** | 使用数据库默认隔离级别 | 取决于数据库 | 取决于数据库 | 取决于数据库 || **REPEATABLE_READ** | 同一事务中多次读取结果一致 | ❌ | ❌ | ✅ || **READ_UNCOMMITTED** | 允许读取未提交的数据 | ✅ | ✅ | ✅ || **READ_COMMITTED** | 只允许读取已提交的数据 | ❌ | ✅ | ✅ || **SERIALIZABLE** | 事务串行执行，最高隔离级别 | ❌ | ❌ | ❌ |
2026-02-27 15:10:39
566
原创 rocketmq使用docker搭建流程
1.创建/usr/local/mq/data/namesrv/logs文件夹和/usr/local/mq/data/namesrv/store文件夹。df -h 查看下自己服务器磁盘大小，因为mq产生的预设log大小是1G，如果磁盘不足会报错。name-server,broker,rocketmq-console都会使用该网络。3.1.2创建broker的配置文件broker.conf。3.1首先在宿主机创建broker的配置文件目录。# ping name-server的容器名称。3.部署broker。
2024-11-05 18:34:16
1066
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人