Gof_man的博客

摘要：Embedding模型选型是构建RAG系统的关键步骤，需重点关注权威基准MTEB榜单，从语言能力、任务需求、上下文长度、向量维度和系统成本五个维度筛选模型。建议采用AB测试方法验证模型在实际业务中的表现，同时根据数据规模选择合适的向量数据库存储方案。构建多维度测试集时，应采用分桶采样策略，覆盖基础任务、易混淆案例和复杂语义场景，重点关注硬负例识别能力。测试集的价值在于揭示模型能力边界，为系统优化提供方向。

在RAG（检索增强生成）链路中，"切分（Chunking）"的质量直接决定了检索的精度。如果切分得太碎，会丢失上下文；如果切分得太粗，则会引入噪音并挤占大模型的上下文窗口，从切割方式和检索精度的角度来看，LangChain的切割器主要分为四大类，且业内主流方案正从"物理计数"向"语义感悟"演进。

本文介绍了LangChain中的工具体系及其应用。工具被定义为Agent的超能力插槽，具有明确的输入输出格式和文档描述，可通过LCEL插入链路。文章从原理和工程需求两方面阐述了LLM需要工具的原因：解决幻觉、实时信息获取等问题，同时满足可控性、安全性等工业需求。工具构建方式包括@Tool装饰器、StructuredTool和Runnable，其中@Tool是最简单的实现形式，能自动生成输入schema和参数解析。文章详细说明了工具与模型绑定的完整生命周期，包括准备、思考、生成指令、执行和观察回填等步骤。通过