独孤求梦

1.与chatGPT对话2.与阿里的通义千问对话3.与本地大模型Ollama对话

Tool注解识别为mcp函数，对于函数的参数也可以加上@ToolParam注解，表明是mcp函数的参数。环境 ：JDK 17 、 springboot 3.4.4。2、选择支持MCP的LLM（这里选择的是qwen-max）询问"深圳今天的温度是多少"，mcp函数返回结果如下。注册ToolCallbackProvider。引入spring-ai-mcp相关的依赖项。Bun 是一个类似nodejs的运行环境。1、本次使用的版本号为：V1.2.2。3、创建新对话，选择MCP服务。1、配置MCP服务（SSE）

检索增强生成（Retrieval-augmented Generation）‌1. 基础大模型的局限性‌‌知识时效性差‌：依赖公开数据训练，存在周期性更新延迟，难以覆盖快速变化领域（如科技、金融）的新概念或实时信息。‌业务适配不足‌：无法直接访问企业内部分散的非结构化数据（如文本、Word、HTML、数据库等），导致对特定业务场景的理解受限。‌2. 传统方案（函数调用/系统消息）的瓶颈‌‌信息承载有限‌：仅能处理少量简单查询，无法支持大规模业务知识的整合与调用。‌3. RAG的核心价值‌‌。

1、基于系统提示词AI对话2、流式输出3、会话记忆4、对话隔离5、Function Calling（函数调用）6、联网搜索7、多模态 - 图生文8、多模态 - 文生图

1、方式一：从Docker Desktop中拉取镜像搜索pgvector在Tag 中选择需要安装版本操作“Pull”拉取镜像，完成后操作“RUN”运行。2、 方式一：通过命令行安装，去选择需要安装的pgvector版本，点击Copy如果访问不了需要科学上网或参考第一种方式3、拉取pgvector镜像安装完Docker后，我们就可以开始拉取pgvector的Docker镜像了。4、运行pgvector容器拉取完镜像后，我们就可以运行pgvector的容器了。5、安装和使用扩展。

本地搭建AI大模型应用开发环境目前主流的3种方式1、Windows WSL2 + Ubuntu + Docker + Ollama（推荐）2、Windows WSL2 + Docker Desktop + Ollama3、Windows WSL2 + Ubuntu + Docker Desktop + Ollama