一次次探索代码无限可能的旅程，专注于前端、后端、服务器及AI大模型的分享和交流。与我一起踏上这段无尽的技术之旅吧！

《Ollama本地大语言模型管理工具使用指南》摘要：本文详细介绍了Ollama的核心命令使用方法，包括查看已安装模型的ollama list、下载和运行模型的ollama run、获取详细性能数据的--verbose参数，以及创建个性化模型的ollama create命令。通过Modelfile文件，用户可以自定义模型参数和系统提示，打造专业化AI助手。文章还提供了完整的工作流程示例，帮助用户快速上手这款功能强大的本地AI模型管理工具，实现从模型部署到个性化定制的全流程操作。

RAG技术为大语言模型注入了"外部记忆"能力，使其能够基于最新和专有知识提供准确回答，有效克服了大模型"幻觉"问题。相比传统的微调方法，RAG具有实现成本低、部署简单、知识可实时更新等优势，特别适合企业级应用场景。随着向量数据库、嵌入模型和提示工程技术的不断进步，RAG系统的性能还将持续提升，为各领域的智能问答和知识服务带来更大价值。

MCP：让AI与应用更亲密互动的小魔法✨

根据问题创建线程创建测试轮结果根据问题调用 AI 接口返回答案根据答案、测试轮结果 ID 修改测试轮结果错误处理所有问题处理完后修改测试轮 note 字段根据测试轮结果详情创建线程创建测试轮评分结果数据根据详情的 question_id 字段获取标答构建评分参数根据返回的评分细节、测试轮结果 ID、测试轮评分 ID 修改测试轮评分错误处理所有问题处理完后修改测试轮 note 字段根据问题创建线程根据问题调用 AI 接口返回答案根据答案、测试轮结果 ID 修改测试轮结果错误处理所有问题处理完后修改测试轮 no

AI 的世界很复杂，但也很有趣。看完这些名词，下次再听到有人提“AI”时，你不仅不会慌，还能反手来一句：“别说了，我懂了。” 😎。

比如处理一个复杂的旅行规划任务，可以分解为一个Agent 查询目的地信息、一个Agent查询交通、一个Agent可根据用户需求走子分支 查酒店的Agent和等子任务，每个Agent由专门的模块或流程处理，提高整体效率和准确性。引入记忆机制（会话保持）：添加记忆模块(对话工作流)，如短期记忆和长期记忆，让 Agent 能够记住之前的交互信息、用户偏好等，从而在后续的交互中提供更个性化、更连贯的服务。持续更新: 定期自动化更新知识库，添加新的问题及其答案，确保知识库的内容始终最新，适应新的情况和需求。