TracyCoder的博客

是解决这些问题的终极方案。它不仅是“大脑”（LLM），还拥有“双手”（Tools）和“笔记本”（Memory）。：LLM 读取记忆，知道“我住的地方”=“San Francisco”。：Tavily 接口被调用，返回了 JSON 格式的旧金山实时天气数据（温度 14.4°C，部分多云）。Agent 的执行过程非常精彩，它展示了 LLM 如何“思考”并决定“行动”。：LLM 接收到工具返回的 JSON 数据，将其转化为自然语言，友好地回答了用户。注意：用户没有说“旧金山”，只说了“我住的地方”。

首先，我们需要准备“饲料”——即喂给向量数据库的数据。import os# 设置超时，防止网络波动# --- 步骤 1: 定义文档 ---# Document 对象包含两个核心属性：# 1. page_content: 实际的内容# 2. metadata: 辅助信息，用于后续过滤（如来源、时间）Document(),Document(),Document(),Document(),Document(),

这是本文的亮点。我们要定义一个策略：当消息太长时，如何保留最重要的信息？# 自定义简单的 Token 计数器 (生产环境建议使用 tiktoken)# 2. 获取消息修剪器max_tokens=65, # 设定极小的阈值仅作演示，实际使用通常为数千strategy="last", # 保留最新的消息include_system=True, # 系统提示词也参与计算allow_partial=False, # 不允许切断单条消息的内容。

作为《LangChain 基础篇》的第一章，本文将带你全景俯瞰 LangChain 的生态架构，完成开发环境搭建，并亲手编写你的第一个基于。理解这些组件的关系，是成为高级开发者的第一步。在大语言模型（LLM）应用爆发的今天，如何从简单的“对话框”走向复杂的“AI应用”？它像一座桥梁，连接了底层的模型能力与上层的应用逻辑。（利用其 OpenAI 兼容接口），完成一个“核心概念解释”的任务。通过本篇教程，我们不仅搭建了环境，还通过一段精简的代码，体验了。我们将跳过繁琐的理论，直接通过代码上手。

它强调的是 Input -> Processing -> Output 的过程控制。LangChain 需要显式地定义每一个步骤（加载器、分割器、嵌入模型、向量库），代码量稍多，但提供了极致的颗粒度控制。在构建基于大语言模型（LLM）的应用时，选择合适的编排框架是至关重要的一步。LlamaIndex 在处理数据索引方面极其简洁，几行代码即可完成“加载-索引-查询”的闭环。在深入代码之前，我们需要理解这两个框架的“灵魂”。，各自拥有庞大的生态和独特的设计哲学。AI 助理 / Chatbot。

接口文档在这个地址查看：https://www.xfyun.cn/doc/spark/HTTP%E8%B0%83%E7%94%A8%E6%96%87%E6%A1%A3.html#_1-%E6%8E%A5%E5%8F%A3%E8%AF%B4%E6%98%8E。本文以模型Spark Lite为例，重要信息（APIPassword、接口地址）在这个页面查看：https://console.xfyun.cn/services/cbm。相比非流式略微有一些不同，响应分成了多次，最后一个。

openai版本==1.6.1，本博客对应文件夹05。

openai版本==1.6.1，本博客对应文件夹04在前面的博客中介绍过了OpenAI一共有11个接口，其中completions接口常用于文本生成类任务。下面来对completions接口的参数、使用进行一些介绍。

openai版本==1.6.1，本博客对应文件夹03在这一篇博客中我将使用OpenAI的embeddings接口判断21条服装评价是否是好评。

OpenAI版本==1.6.1在上一篇博客中，我实现并运行了一个OpenAI的demo，我们可以发现，想要使用OpenAI完成一个需求仅需要两个步骤，第一步是 传入参数 配置并声明对象，第二步是 调用接口 实现需求。清楚这两点后，我们接着来看看源码。在openai包中，OpenAI类是核心类，它作为客户端库的入口点，提供了与OpenAI API进行交互的方法和属性。这个类封装了API的各种功能，使得开发者可以通过编写代码来使用OpenAI提供的各种服务，如文本生成、图像生成、模型微调等。下面我将针对Open

本博客对应01文件夹。

PandasAI这个工具最突出的优点就是通过结合了Pandas和生成式LLMs，极大地为开发人员降低了工作量。可以看到，对于开发人员来说实现一个需求需要完成多个步骤。PandasAI 使用生成式 AI 模型来理解和解释自然语言查询，并将其转换为 python 代码和 SQL 查询。然后，它使用代码与数据进行交互，并将结果返回给用户。可以看到，

一句话总结的话，PandasAI就是一个结合了Pandas和AI的开源工具，更详细地说，PandasAI 是一款强大的Python库，它使得用户能够以自然语言轻松向各类数据源（如CSV、XLSX、PostgreSQL、MySQL、BigQuery、Databricks及Snowflake等）提出问题。同时，它能有效处理缺失值问题以净化数据集，并通过特征生成进一步提升数据质量。），已经有其他人遇到了和我一样的问题，并给该开源作者提了issue，但是目前这个bug还没有修复，因此需要修改一下demo的代码。