牧竹子

在长记忆RAG系统中，若流程为固定流水线、决策由代码写死，模型仅负责生成或抽取，则v1.0无需引入LangChain或LangGraph。二者适用于需模型决定下一步、存在循环/条件跳转、跨重启恢复或人工干预的复杂场景。当前任务以确定性流程为主，引入将增加抽象成本而无实质收益。观测可借助框架无关的LangSmith实现。真正值得引入的信号包括：动态流程决策、图结构编排、持久化中断与回放能力。

AI应用开发生态全景：LangChain、Dify、Coze与MaxKB4j趋势展望随着大语言模型（LLM）技术从“提示词工程”向“智能体工作流（Agentic Workflow）”演进，2026年的AI应用开发生态已呈现出高度分层与专业化的特征。开发者不再仅仅关注单一模型的调用，而是聚焦于如何构建具备记忆、工具调用、循环推理及多智能体协作的复杂系统。本文将对当前主流的六大技术栈——LangChain、LangGraph、Ollama、Dify、Coze以及MaxKB4j进行深度对比，并剖析其未来的发展趋

我们实现了简单的RAG功能，你会发现它好像只能是一个知识助手，仅限于文字功能的回复和言辞组织，并不能实际执行一些功能帮助我们减少实际的行动工作。比如让大模型生成的小说能自动写入WORD中，或者发布到优快云上并发布似乎只能靠我们自己的双手复制粘贴到具体文档中保存，它好像完成不了。那么有没有可能具体的执行我们个性化要求的执行部分它也能够完成了？当然这就需要agent来完成

本文介绍了基于本地大模型（nomic-embed-text和text-embedding-3-small）构建小型RAG知识库的完整流程。主要内容包括： 环境准备：基于Ollama安装本地大模型，无需API密钥 核心组件：使用LangChain的LLM接口、Embeddings、VectorStore等模块 实现步骤： 通过PyPDFLoader解析PDF文档 使用RecursiveCharacterTextSplitter进行文本分块 利用OllamaEmbeddings进行文本向量化 将向量存入Chro

本文介绍了如何在个人笔记本上安装和配置Ollama来运行本地大语言模型(LLM)。主要内容包括： 硬件配置要求：推荐使用8核CPU、16GB内存和50GB磁盘空间 Ollama安装步骤：提供Windows系统自定义安装路径的方法 模型下载：介绍常见LLM模型特点，演示下载llama3.1和nomic-embed-text模型 使用方法： 命令行交互式对话 HTTP API调用(包括cURL和Postman示例) Python集成(requests和ollama包两种方式) FastAPI自定义接口 还提供了

下载mysql驱动https://repo1.maven.org/maven2/mysql/mysql-connector-java/8.0.13/mysql-connector-java-8.0.13.jar创建数据源module在keycloak根目录下创建目录keycloak/modules/system/layers/base/com/创建mysql/main/两层目录进入后将驱动文件copy到此目录下新建文件：module.xml，内容如下:<?xml version="1.0"