codefan※的博客

原创 LangGraph 实战：如何设计一个多 Agent 协作系统

LangGraph 实战教程：从核心抽象（State/Node/Edge）到 3-Agent 协作系统完整实现。详解链式/监督者/路由/群聊 4 种多 Agent 模式，附 Checkpoint 持久化、人机协作、流式输出与生产部署全流程。面向 AI 工程师的工程化实战指南。

原创 2026 年 AI Agent 技术全景：12 大主流框架深度对比

2026年AI Agent框架全景横评：从架构设计、多Agent协作、工具调用、记忆管理、部署方式、生态成熟度6维度对比AutoGen/CrewAI/LangGraph/Dify/Coze/MetaGPT等12大框架，附选型决策树与实战代码对比

原创 RAG 评估不再玄学：RAGAS / TruLens 量化你的 RAG 系统

本文系统讲解 RAG 系统评估的难点与开源方案：从 RAGAS 的 8 大核心指标（Context Precision/Recall、Faithfulness、Answer Relevancy/Correctness/Similarity）到 TruLens 的 RAG 三角（Context Relevance/Groundedness/Answer Relevance）反馈函数；含 4 段可运行代码、1 个完整评估流水线和 2 个企业级避坑清单，让你的 RAG 评估从凭感觉走向靠数据。

原创 混合检索：向量检索 + BM25 双重保险实战

维度要点核心思想向量擅长语义，BM25 擅长关键词，双路互补才能覆盖所有查询类型融合策略优先用 RRF（无需归一化，效果稳定），加权打分适合有调参能力的团队技术选型轻量方案：LangChain EnsembleRetriever + 内存 BM25；生产方案：Milvus 2.4 原生混合检索权重经验技术文档 50:50，通用问答 30:70，电商搜索 60:40性能要求混合检索 P99 ≤ 200ms，双路可并行执行没有银弹检索，只有银弹组合。向量 + BM25，才是 RAG 检索的"标配双保险"。

原创 Reranker 模型实战：让 RAG 检索精度再提升 20%

维度总结定位粗检索（Bi-Encoder）之后的精排环节核心价值利用 Cross-Encoder 捕捉 query-doc 细粒度交互，提升 Top-N 精度推荐模型BAAI/bge-reranker-v2-m3（中文开源首选）效果提升额外开销每个候选对 ~10-30ms（GPU），可控最佳实践粗检索 Top-30 + Reranker Top-5 + 阈值过滤RAG 检索质量 = 好的 Embedding + 合理的分块 + 充分的粗召回 + 精准的 Reranker四者缺一不可。

原创 PDF/PPT/网页 全搞定：RAG 文档解析的 5 个难点与解法

"""Readability + BeautifulSoup 双重清洗"""# Step 1: Readability 提取正文 DOM# Step 2: BeautifulSoup 精细清洗# 移除无用标签# 移除广告容器（常见 class 名）)):坑血泪教训正确做法直接用 PyPDF2 提取表格全废，公式全丢用 marker-pdf 或 Unstructured固定 512 token 切片段落截断，检索命中率暴跌标题感知 + 父子双索引图片不做描述搜不到图表。

原创 干掉幻觉实战：如何构建企业级知识图谱增强 RAG

用户问：“我们公司 A 产品和 B 产品有什么区别？”——LLM 答非所问，把两个产品的特性混淆了用户问：“王总和李总分别负责哪些项目？”——LLM 编造了错误的责任关系用户问：“上季度营收下降的原因是什么？”——LLM 给出了貌似合理但实际错误的因果推断这些问题的根源不在于 LLM 不够强，而在于"向量检索"这件事本身的局限性。关系推理：A 和 B 之间是什么关系？多跳查询：A 的上级的下属有哪些？这就是为什么我们需要GraphRAG。

原创 干掉“幻觉“实战：如何构建企业级知识图谱增强 RAG

用户问：“我们公司 A 产品和 B 产品有什么区别？”——LLM 答非所问，把两个产品的特性混淆了用户问：“王总和李总分别负责哪些项目？”——LLM 编造了错误的责任关系用户问：“上季度营收下降的原因是什么？”——LLM 给出了貌似合理但实际错误的因果推断这些问题的根源不在于 LLM 不够强，而在于"向量检索"这件事本身的局限性。关系推理：A 和 B 之间是什么关系？多跳查询：A 的上级的下属有哪些？这就是为什么我们需要GraphRAG。

原创 RAG 加速指南：Faiss / Milvus / Qdrant 向量库选型与调优

向量数据库是 RAG（检索增强生成）系统的核心基础设施。当你的知识库从几千条增长到百万、千万级时，向量检索的性能瓶颈就会彻底拖垮你的 AI 应用响应速度。Faiss：Meta 出品的纯库，轻量但功能有限Milvus：云原生向量数据库，功能完整，生产级首选Qdrant：Rust 写的新一代向量库，性能出色，API 友好本文将从原理对比 → 性能实测 → 部署配置 → 调优指南四个维度，帮你做出最适合自己业务的技术选型。向量库最适合场景核心优势主要局限Faiss研究 / 原型验证。

原创 pytorch安装流程

原创 RAG 2026 全面升级：从 Naive RAG 到 Agentic RAG

用户 Query → 向量化 → 向量库检索 Top-K → 拼接 Prompt → LLM 生成答案，每一代都是对上一代痛点的针对性解法。动态多轮检索：根据中间结果决定是否继续检索工具多样化：向量库、BM25、Web 搜索、数据库按需组合自我纠错：幻觉检测 + 自动重新生成多模态支持：不再受限于纯文本文档如果你的 RAG 系统还停留在 Naive 阶段，是时候升级了——从 Reranker 开始，逐步引入 HyDE 和混合检索，再考虑引入 LangGraph 构建 Agentic 能力。

原创 RAG 2026 全面升级：从 Naive RAG 到 Agentic RAG

用户 Query → 向量化 → 向量库检索 Top-K → 拼接 Prompt → LLM 生成答案，每一代都是对上一代痛点的针对性解法。动态多轮检索：根据中间结果决定是否继续检索工具多样化：向量库、BM25、Web 搜索、数据库按需组合自我纠错：幻觉检测 + 自动重新生成多模态支持：不再受限于纯文本文档如果你的 RAG 系统还停留在 Naive 阶段，是时候升级了——从 Reranker 开始，逐步引入 HyDE 和混合检索，再考虑引入 LangGraph 构建 Agentic 能力。

原创 一键部署私人 LLM：Ollama + Docker 极简指南

想用 GPT-4 级别的大模型，但不想每次都担心隐私泄露、API 费用爆表？2026 年，在自己电脑上本地跑一个媲美 GPT-3.5 的大模型，已经不是遥不可及的事情了。本文手把手带你用两种方式，10 分钟内把大模型跑在本地，全程离线，数据不出门。方式适合人群优点缺点Ollama 原生个人用户、开发者安装简单，上手快服务管理相对简单服务器部署、团队使用隔离性好，易于管理需要了解 Docker非技术用户图形界面，功能丰富占用资源更多推荐路线：新手：直接安装 Ollama →。

原创 本地跑 LLM 哪家强？Llama / Qwen / DeepSeek 全方位对比

随着 Ollama、llama.cpp 等工具的成熟，在本地运行大语言模型已经不再是极客专属游戏。数据隐私：代码、文档不出本机，企业敏感数据无泄露风险零延迟：局域网调用，无网络往返，响应速度更稳定零费用：一次部署，无限调用，不再担心 API 账单可定制：可以微调、量化、魔改，随心所欲显存是瓶颈。本文的测评场景聚焦在消费级 GPU（RTX 3090/4090 24GB）和 Mac M 系列（32GB 统一内存），兼顾 CPU-only 用户。

原创 LLM 输出不稳定的根因分析：温度 / Top-P / Top-K 调参指南

在实际 LLM 应用开发中，我们最常听到的抱怨之一是：“模型输出太不稳定了，同一个问题问了三次，三次结果都不一样！其实，这种"不稳定"本质上是可控的。Temperature（温度）、Top-P 和 Top-K。本文将从原理出发，结合实测数据和工程经验，帮你彻底搞清楚这三个参数该怎么调。参数作用推荐默认值控制整体随机性/多样性0.7（通用对话）Top-K固定候选集大小40（通用）/ 0（禁用，配合 Top-P）Top-P自适应候选集大小0.9（通用对话）防止重复输出。

原创 我的 Prompt 踩坑日记：100 条错误用法与正确姿势

18个月AI落地项目真实踩坑记录，按指令表达、角色设定、上下文管理、输出控制、代码生成、CoT、Few-Shot、RAG、多语言、工程化、成本18个月AI落地项目真实踩坑记录，按指令表达、角色设定、上下文管理、输出控制、代码生成、CoT、Few-Shot、RAG、多语言、工程化、成本优化等12大维度，收录100个Prompt错误用法与正确姿势对比。附优化前后效果对比，帮你少走弯路。优化等12大维度，收录100个Prompt错误用法与正确姿势对比。附优化前后效果对比，帮你少走弯路。

原创 7 个Prompt 框架汇总：从 Chain of Thought 到 ReAct + PoT

同样是问 AI，“帮我写个排序算法"和"用 Python 实现一个快速排序函数，要求原地排序、时间复杂度 O(n log n)”，得到的答案质量天差地别。差距在哪？Prompt 设计。2026 年，Prompt Engineering 已经从"聊聊天"进化为一门系统工程学科。本文不灌水，直接带你搞懂7 个核心 Prompt 框架，每个都附可复制的模板和实测对比。│ Prompt 工程进阶要点 ││ ││ 📌 基础功：Zero-Shot / Few-Shot 格式控制 │。

原创 一文读懂 LLM 的 MoE 架构：为什么 GPT-4 和 DeepSeek 都用稀疏专家

如果你关注 2026 年的 LLM 进展，会发现一个绕不开的技术关键词——MoE（Mixture of Experts，混合专家）。GPT-4、DeepSeek-V3、Gemini 1.5、Mistral Large 2……几乎所有头部大模型都选择了 MoE 架构。为什么？它到底解决了什么问题？本文从核心原理 → 数学推导 → 工程实现 → 对比实验四个维度，带你彻底搞懂 MoE。每次只激活 Top-K 个专家。模型有 8 个专家Top-K = 2（每个 token 只用 2 个专家）

原创 Cache与主存的映射方式

CPU访存过程（仅按照先访问Cache再访问主存的情况）实现简单，不够灵活，冲突概率最高，空间利用率最低1.现有主存块号为1，5，33，120要放入Cache，Cache总容量为640B，主存块大小为64B，求各个主存块对应的Cache行号？解：首先求有多少行？640B/64B = 10行；然后求对应的行号：1，5，3，0。

原创 第三章 存储系统

采用DRAM芯片，地址线减半，10/2 + 8 + 2 + 2 = 17（5个地址线，8个数据线，2个读写线，1个行选通线，1个列选通线）不满足程序的局部性原理，但仍有可能在一个存储周期内连续访问多个模块。：采用DRAM芯片，地址线减半，22/2 + 8 = 19。：m = T/r，T是存储周期，r是总线传输周期。双端口存储器可以同时访问同一区间、同一单元。缺点：指令和数据在主存内必须是连续存放的。1.交叉存储器要求其模块数必须大于等于m。一、高位交叉编址（顺序方式）2.1 单体多字存储器。

原创 页面置换算法

原理：每次选择淘汰的页面将是或的页面，可以保证最低的缺页率例一：系统给一个进程分配三个内存块，页面引用串[7，0，1，2，0，3，0，4，2，3，0，3，2，1，2，0，1，7，0，1]如何判断置换哪个页面？比如表一中第四列数据，前面已经占了三个内存块，当页面2需要进入时，向后查询7，0，1最久使用（甚至不再使用）的一个，此时为7，所以7换入2整个过程缺页中断9次，页面置换6次，缺页率：9/20=45%最佳置换算法，因为操作系统无法预判进程访问页面的序列。

原创 排序算法——基数排序

不基于比较和移动进行排序，而基于关键字各位的大小排序。最高位优先（MSD）法、最低位优先（LSD）法。

原创 在anaconda环境中构建flask项目的exe文件

需要确保静态文件和模板被正确包含，修改。

原创 gin框架精通篇（三）

rsa签名生成公钥、私钥：https://www.metools.info/code/c80.html。

原创 gin框架精通篇（二）

导入模块：go get -u github.com/go-sql-driver/mysql安装数据库可能遇到的问题：（网上的方法基本可以解决）注意别漏了：_ “github.com/go-sql-driver/mysql” // 导入MySQL驱动。

原创 gin框架精通篇（一）

注意别漏了：_ “github.com/go-sql-driver/mysql” // 导入MySQL驱动。导入模块：go get -u github.com/go-sql-driver/mysql。安装数据库可能遇到的问题：（网上的方法基本可以解决）

原创 gin框架学习合集

import ("fmt""net/http""strconv"//r := gin.New() //没有任何中间件的路由引擎r := gin.Default() //默认路由引擎：Logger and Recovery middlewarer.Use(Middleware()) //先执行中间件，相当于过滤，减少不必要的服务器性能损耗fmt.Println("服务端开始执行...")Name string `json:"name"` //添加标签})

原创 gin框架提高篇（四）

uuid包：https://github.com/satori/go.uuid因为作者更改了参数限制，导致会出问题 →。

原创 gin框架提高篇（三）

ps:将上一模块的代码打包成exe文件，并执行起来，注意端口冲突问题（命令：go build 文件名）

原创 gin框架提高篇（二）

【代码】gin框架提高篇（二）

原创 gin框架提高篇（一）

import ("fmt""net/http""strconv"//r := gin.New() //没有任何中间件的路由引擎r := gin.Default() //默认路由引擎：Logger and Recovery middlewarer.Use(Middleware()) //先执行中间件，相当于过滤，减少不必要的服务器性能损耗fmt.Println("服务端开始执行...")Name string `json:"name"` //添加标签})

原创 gin框架入门篇

gin.Default() 创建一个带有默认中间件的路由引擎GET方法ps: POST方法类似Run方法http.StatusOK 表示 状态码200，其他类似。

原创 fatal: unable to access ‘https://github.com/xxx‘: Failed to connect to github问题解决

解决方法：打开代理设置，查看代理端口，并在git bash执行以下命令即可。在执行flutter pub get命令之后出现了无法连接的问题。

原创 第一章 绪论

系统架构（System Architecture）是系统的一种整体的高层次的结构表示架构设计师（System Architecture Designer）是负责系统架构的人、团队或组织基础研究阶段 → 概念体系和核心技术形成阶段 → 理论体系完善与发展阶段 → 普及应用阶段。

原创 第一个出现两次的字母

比如表达式是hash = hash % 7，如果此时hash为8，那么最终的位置就是1。js里常用的两个函数：hash.add(ch)和hash.has(ch)它的原理就是一个表达式，最终得到的结果就是本次数据放在数组里的位置。表示往哈希表里添加数据和某个数据是否存在于哈希表中。直接使用哈希表就可以了，数据结构里也叫散列表。避免冲突常用的办法就是再散列，这里就不多说。

原创 2011年408大题总结

这个可能是大题里面最难的了，第一遍基本没看懂在说什么，最终得分4分（第二小问第一空、第三小问、第四小问（RTT、源IP地址））这也是计算机网络的难点所在，太凌乱了，没有层次感。还有一个关键点，这样可以节省很多时间，而且就算代码里面有一些逻辑运行不成功的，关系也不会很大，只要你的思路能让阅卷的看懂，就够了（所以不能像我一样不写注释，多少得写点）知识不牢固的话，到这里其实也满足了，起码已经有8分左右了，前四个题已经拿下30多分了（如果今年也这么考就好了/(ㄒoㄒ)/~~），选择题大概60分，这波100稳了。

原创 2010年408大题总结

指令数量看OP位数，寄存器数量看Rs/Rd寄存器位数，MAR看主存地址，MDR看机器字长。前两个小问送分题，计组存储器那块学明白了，这个肯定也没有问题，判断好分别占几位就可以了。这种题得分析一下，因为没有图，很容易忘记一些信息点（别问我为啥知道），表示如果当前的下标被占据那就一直往下找，直到找到空位就放上。如果今年能考这个，直接烧高香（别直接给汇编，实在看不懂）这个要看懂的是他这个指令，按照指令格式来填充对应的机器码。这个考的是散列表（巧了，我没复习，这就去看）除了块内的，还有标记位28-9 = 19位，

原创 2009年408大题总结

这种题个人觉得比较难，但是可以捞分不至于全部不会，首先对于计组的第五章数据通路那一块要有“亿”点点的印象，不至于看不懂题目在问什么。然后就是不固定的指令执行阶段，我个人做的时候，其实很少看他讲的一大段内容，直接看主要部分——要你干嘛。这类问题是比较简单的，我的一般方法就是找1s中断/DMA执行了多少个时钟周期，然后除以主频。这个最容易想到的方法就是举反例，但是我们可以分析一下，每一次都取最短的路径，实际上就是。的应用——每次都是最优，但是最终的结果却一般不是最优，因此很容易想到这个方法是不可行的。

原创 二叉树的性质

如上a）图：2是4的双亲，5是2的孩子，4和5是兄弟，4和6是堂兄弟，1（根结点）是树中唯一没有双亲的结点，两个结点之间的路径由两个结点之间所经过的结点序列构成。，如上b）图：1的度是3，2的度是2，3的度是0。，如a）图中树的度为2，b）图中树的度为3。，如上a）图：1是4的祖先，4是1的子孙。分支结点度大于0的结点，又称非终端结点。叶子结点度等于0的结点，又称终端结点。树的高度\深度是树中结点的最大层数。根结点到该结点的唯一路径上的。分支结点 vs 叶子结点。结点的深度、高度、层次。

原创 攻克数据结构应用—这不手到擒来

这篇博客是一篇综合类的，主要是汇集各种数据结构的应用，也是补上之前偷懒没写的，就总结成一篇了。