寓教于乐。教己助人

原创 20250914-03: Langchain概念：提示模板+少样本提示

方面单轮对话示例多轮对话示例形式简单的Q-A 对（一问一答）完整的对话历史（多问多答）内容只展示正确的最终答案展示错误 -> 反馈 -> 纠正的全过程好比闪卡/备忘录：只记答案教学视频/案例研究：分析错题，讲解思路教学目标教会模型“是什么教会模型“为什么”以及“如何改进复杂度低高适用任务事实问答、翻译、简单总结风格写作、复杂推理、安全拒绝、交互式任务如果你想让模型学会回答简单明了的问题，就用单轮示例。像喂给它一对对的（问题，答案）。如果你想教模型完成一件复杂的、容易出错的事情，就给它讲个。

原创 系统性掌握 LangChain 的核心概念体系

本文提出了一套为期4周的系统性学习计划，旨在帮助开发者掌握LangChain框架的核心概念体系。学习路径分为6个模块：核心运行机制、模型与输入输出、记忆与上下文管理、知识增强(RAG)、决策与行动(Agent)以及工程化与质量保障。每个模块都包含明确的学习目标、核心概念和渐进式实践任务，通过从基础组件到完整系统的递进训练，最终实现构建具备记忆、检索、工具调用和评估能力的AI应用。该计划强调刻意练习和成果导向，每周聚焦1-2个模块，最终产出包括带记忆的聊天机器人、PDF问答系统和智能代理等实践项目。

原创 20250914-02: Langchain概念：异步编程（Async）

本文将介绍LangChain中的异步编程概念。异步编程通过非阻塞方式处理I/O密集型任务（如API调用、数据库访问），可显著提升效率。LangChain为同步方法提供异步版本（前缀为"a"），如ainvoke对应invoke。当异步实现不可用时，LangChain会委托给同步方法，虽带来轻微性能开销但保证兼容性。文章还通过"厨房"比喻形象解释同步与异步的区别，以及性能开销的来源，包括委托同步方法和处理小任务时的额外成本。

原创 20250914-01: Langchain概念：流式传输（Streaming）

从大型语言模型（LLM）生成完整响应通常会产生几秒钟的延迟，在涉及多次模型调用的复杂应用程序中，这种延迟会更加明显。这种延迟会更加明显。幸运的是，大型语言模型以迭代方式生成响应，允许在生成过程中显示中间结果。通过流式传输这些中间输出，LangChain 可以在基于大型语言模型的应用程序中实现更流畅的用户体验，并在其核心设计中提供了对流式传输的内置支持。‍在本指南中，我们将讨论大型语言模型应用程序中的流式传输，并探讨 LangChain 的流式传输 API 如何促进应用程序中各种组件的实时输出。

原创 20250913-04: Langchain概念：LangSmith 追踪（Tracing）

本文介绍了LangChain中的追踪（Tracing）功能及其在LangSmith平台上的实现。追踪是记录应用程序从输入到输出执行步骤的过程，对调试和诊断复杂问题至关重要。文章详细说明了如何配置LangSmith追踪功能，包括安装依赖项、设置API密钥、环境变量，以及通过代码示例展示如何追踪OpenAI调用和整个应用程序的执行流程。此外，还介绍了LangSmith平台的高级功能，如监控、自动化、收集反馈以及追踪RAG应用等，帮助开发者更好地观测和优化LLM应用程序的性能。

原创 20250913-03: Langchain概念：回调

本文介绍了LangChain框架中的回调系统，该系统允许开发者在LLM应用程序执行的不同阶段注入自定义逻辑，用于日志记录、监控等任务。回调处理程序分为同步和异步两种类型，通过事件触发对应方法（如on_llm_start）。回调可通过请求时或构造函数两种方式传递，但需注意构造函数回调不会被子对象继承。此外，在Python<=3.10中异步运行时需手动传播回调到子对象，否则可能导致事件未被捕获。

原创 20250913-02: Langchain概念：表达式语言（LCEL）

咖啡师（在这里相当于 LangChain）会根据你的要求，自行决定最佳的步骤、水温、水流等来优化制作过程。是一个组合原语，它允许您并发运行多个 runnable，并为每个 runnable 提供相同的输入。请记住，runnable 是并行执行的，因此虽然结果与上面所示的字典推导式相同，但执行时间要快得多。许多这些传统链隐藏了诸如提示之类的关键细节，并且随着各种可行模型的出现，自定义变得越来越重要。的用法非常常见，因此我们创建了它们的简写语法。——它允许 LangChain 以优化的方式处理链的运行时执行。

原创 20250913-01: Langchain概念：Runnable可运行接口

Runnable 方式定义了一个标准接口，允许 Runnable 组件调用invoked：将单个输入转换为输出。批量处理Batched：将多个输入高效地转换为输出。流式传输Streamed：输出在其生成时进行流式传输。检查 Inspected：可以访问有关 Runnable 输入、输出和配置的示意信息。组合 Composed：可以使用LangChain 表达式语言 (LCEL)将多个 Runnable 组合在一起以创建复杂的管道。请查看LCEL 速查表。

原创 20250911-01: 概念：基础认知--消息

用于​设定AI行为​或​对话上下文​的​系统指令消息​，LangChain会根据提供商能力自动适配传递方式。🔹 HumanMessage：代表用户输入的消息，支持文本或自动转换字符串，是对话的触发起点。模型生成的响应消息，可包含文本、tool_calls或多媒体内容，是对话的核心输出。携带工具执行结果的消息，必须包含tool_call_id以关联原始调用，是工具调用闭环的关键。流式响应中的消息片段，支持运算符聚合为完整AIMessage，用于实时输出场景。‍消息是对话的。

原创 20250909-01: 概念：基础认知--聊天模型

LLM：大型语言模型（LLM）是先进的机器学习模型，擅长文本生成、翻译、摘要、问答等广泛的语言相关任务，无需针对每个场景进行任务特定的微调。现代 LLM ：通常通过聊天模型接口访问，该接口接受消息列表作为输入，并返回一条消息作为输出。工具调用：聊天模型自带工具调用，可直接连外部服务、API 和数据库，顺便把非结构化数据秒变结构化。结构化输出：一种使聊天模型以结构化格式响应的技术。（例如与给定模式匹配的 JSON）多模态：处理文本以外数据（例如图像、音频和视频）的能力。

原创 20250908-02：运行第一个 LLM 调用程序

本文介绍了如何使用LangChain框架快速构建一个简单的LLM调用程序。主要内容包括：设置LangChain开发环境；使用提示模板和智谱GLM模型构建基础应用；对比.invoke()和.stream()的调用方式差异；通过LangSmith进行调试追踪。教程提供了代码模板和GitCode源码链接，帮助开发者在1小时内完成首个LLM应用，实现文本翻译功能并提交到代码仓库。关键学习点包括语言模型调用、提示模板使用和输出解析器配置。

原创 20250908-02：搭建 Python 开发环境

本文介绍了搭建Python开发环境的核心步骤，重点围绕Conda和UV工具的使用展开。主要内容包括：1）Conda的功能介绍与环境管理（创建/切换虚拟环境、包安装）；2）UV工具的高效特性（比pip快10-100倍）及其核心功能（项目管理、依赖同步）；3）国内镜像源配置（清华源）；4）关键操作指令清单（环境创建、包管理、项目初始化等）。文章提供了完整的开发环境搭建方案，强调通过虚拟环境实现项目隔离，并附有工具速查表链接，适合需要快速配置Python开发环境的读者参考。

原创 20250907-03：LangChain的六大核心模块概览

‍✅ LangChain 第一周成长计划：基础认知与环境搭建🎯 本周核心目标（Objective）建立对 LangChain 的系统性认知，完成本地开发环境搭建，并成功运行第一个 LLM 调用程序。‍‍具体内容：所需时间：2 小时预期成果：难度控制：i+1 —— 不要求深入代码，只需建立模块“是什么、干什么”的认知地图。资源准备：‍​关键内容（即六大核心模块）：‍LangChain 为以下主要组件提供标准、可扩展的接口和外部集成​格式化和管理语言模型输入输出。 “执行者” ：负责与底层大语言模型（LLM

原创 20250907-02：LangChain 架构和LangChain 生态系统包是什么

核心层：定规矩，保兼容，让所有积木能拼在一起。集成层：接外设，通天下，让 AI 能用上各种工具和数据。应用层：搭积木，建应用，用预制件快速组装智能功能。编排部署层：上生产，可运维，让原型变成稳定可靠的服务。

原创 20250907-0101：LangChain 核心价值补充

LangChain 是一个专为“连接大模型与现实世界、编排复杂任务流程”而设计的开发框架，它让开发者能高效、可靠、可扩展地构建生产级 LLM 应用。

原创 20250907-01：理解 LangChain 是什么 & 为什么诞生

LangChain 并不是一个“银弹”，但它提供了一套标准化、模块化、生产就绪的工具箱，将 AI 应用开发中那些重复、繁琐、易错的“脏活累活”抽象出来，让开发者能够专注于业务逻辑和创新，而不是底层的集成细节。‍。

原创 20250906-01：开始创建LangChain的第一个项目

配置JetBrain环境 使用 conda创建的。通过JetBrain Git工具下载【简单】通过Git终端下载【简单】许安装git工具。配置JetBrain Idea uv解释器。工具作为管理和python解析器。配置project.toml文件。执行‘hello world'配置本地JetBrain环境。使用conda 新建一个。参考之前项目配置【已验证】使用jetbrain打开。作为python基础。

原创 【LangChain：01】✅ 3小时掌握 LangChain 表达式语言 (LCEL) 成长计划 —— 刻意练习版

这篇3小时掌握LangChain表达式语言（LCEL）的刻意练习计划，通过三个阶段系统化学习路径：0.5小时理论学习（理解LCEL设计哲学与核心组件）、1.5小时基础练习（构建顺序链/并行分支/状态管理）和1小时综合应用（RAG链构建与调试部署）。计划强调即时反馈，每项任务都设定了可验证的成果标准，并配套官方文档、视频教程和在线练习平台等资源。完成训练后，学习者将掌握LCEL的核心优势、链式构建能力及生产环境部署技巧，实现从理论到实践的快速跨越。（149字）

原创 OKR目标管理

OKR目标管理是一种通过设定定性目标（O）和量化关键结果（KR）的方法。O需符合SMART原则，明确方向且鼓舞人心；KR需3-5条可衡量结果，完成度0-100%。模板化工具可帮助制定具体计划，如："在时限内通过行动完成可验证成果，最多重试N次，最终达标并留证"。该方法适用于个人和业务目标管理，强调结果导向和可验证性。

原创 《LangChain从入门到精通》系统学习教材大纲

LangChain的诞生背景：为什么需要LangChain？核心定位：连接大模型与外部世界的“操作系统”典型应用场景：聊天机器人、文档问答、智能代理、自动化流程等LangChain是通往AI应用开发的黄金钥匙。它不仅是一个工具库，更是一种构建智能系统的思维方式。只要你坚持系统学习、动手实践，完全可以在3个月内从小白成长为专家。我会一直在这里支持你。接下来，你可以告诉我：“老师，我现在想从第一课开始，请帮我制定第1周的详细学习计划。期待你的成长！—— 你的LangChain导师 🌟。

原创 刻意练习实践框架模板

原创 刻意练习理论

刻意练习是指有目的、有反馈、专注于突破舒适区目标导向：分解为具体、可衡量的小目标专注投入：全神贯注于当前任务，排除干扰即时反馈：快速获取表现评估，识别不足挑战极限：持续尝试略高于当前能力的任务（最近发展区）

原创 刻意练习实践说明使用手册

刻意练习实践框架包含五个阶段，对应四张核心卡片。建议按以下顺序使用：fill:#333;color:#333;color:#333;fill:none;目标设定卡调整计划反馈记录卡进度跟踪卡。

原创 Langchain指南-关键特性：使用聊天模型调用工具

为了使模型能够调用工具，我们需要传递描述工具功能及其参数的工具模式。支持工具调用功能的聊天模型实现了一个.bind_tools()方法，用于将工具模式传递给模型。工具模式可以作为 Python 函数（带有类型提示和文档字符串）、Pydantic 模型、TypedDict 类或 LangChain 工具对象传递。后续对模型的调用将传递这些工具模式以及提示。

原创 Langchain指南-关键特性：如何流式传输可运行项

此界面提供了两种通用的流式内容方法：统一接口• 所有 都内置 （同步）与 （异步）两种流式方法。设计目标• 一旦某一块（chunk）结果就绪，立即推送给调用方，减少等待时间。可行条件• 整条链路中的每一步必须能“按块处理”：– 输入逐块进入 → 即时产生对应的输出块。• 若任何步骤只能一次性处理完整输入，则流式中断。复杂度梯度• 简单：逐 token 转发 LLM 输出。• 复杂：在完整 JSON 尚未生成前，逐步解析并流式返回部分 JSON 片段。入门建议• 从最核心的 LLM 开始体验

原创 新手村：正则化

正则化是机器学习中防止过拟合的核心技术，通过在损失函数中添加惩罚项（如L1、L2）控制模型复杂度。L1正则化通过稀疏性实现特征选择，L2通过平滑权重减少波动，弹性网络则结合两者优势。掌握正则化需要理解其数学原理、应用场景及参数调优方法。后续可进一步学习贝叶斯正则化、深度学习中的正则化技术，以应对复杂模型的过拟合问题。

原创 新手村：过拟合（Overfitting）

**过拟合** 是指机器学习模型在 **训练数据** 上表现优异（如高准确率或低误差），但在 **新数据**（如测试集或验证集）上表现显著下降的现象。 - **核心原因**：模型过度学习了训练数据中的 **噪声、细节或随机波动**，而未能捕捉数据的 **本质规律**。- **本质**：模型的复杂度远超问题实际所需，导致对训练数据的“死记硬背”而非“理解”。

原创 新手村：逻辑回归-理解04：熵是什么?

逻辑回归中的熵理论是机器学习的重要基础之一。通过学习熵、交叉熵以及它们在逻辑回归中的应用，你可以更好地理解分类模型的工作原理。建议按照上述计划逐步深入学习，并通过代码实践巩固理论知识。

原创 新手村：逻辑回归-理解03：逻辑回归中的最大似然函数

似然函数Lwb∏i1Nyiyi1−yi1−yiLwbi1∏N​y​iyi​​1−y​i​1−yi​对数似然函数log⁡Lwb∑i1Nyilog⁡yi1−yilog⁡1−yilogLwbi1∑N​yi​logy​i​1−yi​log1−y​i​。

原创 新手村：逻辑回归-01.什么是逻辑回归-初识速学

逻辑回归（）是机器学习中一种基础且重要的分类算法，常用于二分类问题（如垃圾邮件检测、疾病诊断等）,而非预测连续数值。它是机器学习和统计学中应用最广泛的模型之一，尽管名字中包含“回归”，但它本质上是一个分类模型线性组合特征：将输入与权重结合；概率转换：用Sigmoid函数输出概率；参数优化：通过极大似然估计找到最佳参数；决策边界划分：根据概率阈值（如0.5）分类。扩展思考如何处理非线性可分数据？（引入多项式特征或核方法）如何防止过拟合？（正则化、交叉验证）逻辑回归能否用于多分类问题？

原创 新手村：逻辑回归-理解02：逻辑回归中的伯努利分布

伯努利分布在逻辑回归中的潜在含义及其与后续推导的因果关系

原创 新手村：逻辑回归-理解01：目标变量、伯努利分布的概率、特征X之间的关系

逻辑回归 理解：解释逻辑回归中目标变量 𝑌Y、伯努利分布的概率 𝑝p 即 𝑃(𝑦=1∣𝑥)P(y=1∣x)和输入特征 𝑥x 之间的关系。假设我们想预测某人是否会购买某款新手机。

原创 新手村：协方差、方差、标准差的作用

主题描述数据的重要性解释为什么我们需要分 析数据统计学简介简述统计学的基本概念及其在数据分析中的作用。

原创 新手村；相关度分析方法

目标：理解相关分析的定义、应用场景及基本工具。知识点：教学示例：销售与广告投入的关系目标：掌握不同相关系数的计算方法及适用场景。知识点：扩展示例：计算皮尔逊相关系数目标：通过代码验证理论，理解相关分析在实际中的应用。代码示例（Python+NumPy+SciPy）：阶段4：进阶与扩展目标：探索相关分析的局限性及高级应用。知识点：如何选择皮尔逊还是斯皮尔曼相关系数？卡方检验适用于什么场景？相关系数接近0是否意味着无关？

原创 新手村：逻辑回归

通过代码验证理论，理解逻辑回归在实际中的应用。：理解逻辑回归的定义、输入输出关系及核心思想。：掌握逻辑回归的数学推导及优化过程。：探索逻辑回归的局限性及高级应用。

原创 新手村： 模型评估方法-线性回归评估方法

线性回归模型的评估通常涉及多种指标，以全面了解模型的性能。常用的评估方法包括均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）和决定系数 ( R^2 )。以下是这些评估方法的详细说明以及如何在代码中实现它们。

原创 新手村：数据预处理-异常值检测方法

异常检测是机器学习中关键的预处理步骤，其核心是区分“正常”与“异常”数据。学习路径应从统计方法（如Z-score、IQR）开始，逐步过渡到复杂模型（如LOF、Isolation Forest）。实际应用中需结合业务场景选择算法，并通过可视化和评估指标（如F1分数、ROC-AUC）验证效果。进阶学习可探索深度学习和实时检测技术，以应对复杂数据挑战。

原创 新手村：数据预处理-特征缩放

方法描述适用场景优点缺点标准化将特征转换为均值为0，标准差为1的标准正态分布。线性回归、逻辑回归、SVM、KNN、神经网络等。不受数据范围影响，适用于大多数算法。对异常值较为敏感，可能导致极端值的影响被放大。归一化（Min-Max缩放）将特征缩放到一个特定范围（通常是[0, 1]）。需要将数据限制在特定范围内的情况。数据范围固定，适用于需要严格控制输出范围的场景。受数据范围影响较大，对异常值敏感，可能导致信息丢失。

原创 新手村：数据预处理-缺失值补充策略

通过上述表格和示例代码，您可以更好地理解不同的缺失值补充策略及其应用场景。删除含有缺失值的行或列：适用于缺失值较少的情况，简单但可能导致数据丢失。用固定值填充：适用于大多数情况，但需谨慎选择填充值以避免引入偏差。用插值法填充：适用于有序数据，能较好地保留趋势。用模型预测填充：适用于复杂数据集，但实现复杂且计算成本较高。

原创 新手村：混淆矩阵

通过本教程，学生将掌握混淆矩阵的构建、核心指标的计算与分析，并能够通过代码实现模型评估。后续可深入学习ROC-AUC曲线、多分类场景及实际应用中的优化策略，逐步构建更鲁棒的分类模型。A：假设数据中95%为负类，模型全预测负类，准确率可达95%，但完全忽略了正类样本，此时需用召回率或F1分数评估。A：精准率 = TP/(TP+FP)，召回率 = TP/(TP+FN)。A：β>1时，召回率权重更高（如医疗诊断）；则精准率是预测为正类（第二列）中的正确比例，召回率是实际为正类（第二行）中的正确比例。