- 博客(346)
- 资源 (9)
- 收藏
- 关注
RSS订阅原创 LangGraph学习-(1)跑通一个最小状态图
3. 用 set_entry_point / add_edge / add_conditional_edges 定义边。2. 用 add_node 注册所有节点（名字→函数的映射）。1. 创建 StateGraph 实例,传入状态结构定义。4. 调用 compile() 编译为可执行的图。
2026-06-08 17:12:56
138
原创 最小实现ReAct Agent
最小 ReAct 就是：让大模型先思考要不要调用工具，如果要，就执行工具并把结果写回状态，再继续思考，直到证据足够时输出最终答案。这一步非常重要，因为 observation 会进入下一轮状态，变成模型继续思考的依据。像“今日、今天、最新”这种词，如果不先锚定成绝对日期，模型就容易乱猜。模型负责思考，工具负责取信息，状态负责记过程，循环负责推进到答案。所以 ReAct 的重点不是“回答”，而是“边想边做”。它不是工具结果，也不是最终答案，而是模型的当前判断。
2026-05-26 15:02:53
432
原创 技术经理面试相关--管理和沟通篇
老板要你做一个不合理需求怎么办？团队出现冲突怎么处理？产品和技术冲突怎么办？如何评价一个工程师？如何处理绩效差的人？需求频繁变更怎么办？
2026-05-06 17:16:41
41
原创 技术经理面试相关--技术篇
一个接口从 200ms → 2s，你怎么排查？如果业务要快上线，你如何取舍技术债？如何评估一个技术方案 ROI？技术方案如何支持业务增长？
2026-04-30 18:01:21
60
原创 技术经理的工作范围
联合测试团队制定测试方案，确保测试全面性；全维度风险识别与应对：识别技术（选型失误、架构瓶颈）、项目（工期延误、资源不足）、人员（核心员工离职）、业务（需求变更、业务调整）等各类风险，制定风险预案；技术合规落地：对接公司法务 / 合规部门，落地数据合规（个人信息保护法、GDPR）、行业合规（等保、密评），如做数据脱敏、用户数据最小化采集、操作日志留存；核心是搭建、培养、激活、留存技术团队，解决 “人从哪来、能力怎么提、怎么激励、怎么留” 的问题，是所有管理工作的前提，也是技术经理最核心的管理职责之一。
2026-04-29 17:19:16
388
原创 Python面试题
三、面向对象 OOP（高频核心）二、函数与参数（进阶基础）四、类型、迭代器、生成器。六、内存管理与底层机制。八、模块、导入、工程化。五、数据结构底层原理。七、并发、协程、异步。
2026-04-28 09:19:39
47
原创 前端学习---(7)vue上手(路由)---3
路由https://gitee.com/marina-37/vue3_vite_ts#43-%E4%B8%A4%E4%B8%AA%E6%B3%A8%E6%84%8F%E7%82%B9。学习视频 https://www.bilibili.com/video/BV1Za4y1r7KE(031-042路由部分)Home.vue,News.vue,About.vue 被称为路由组件,靠路由规则渲染出来的,交路由组件。path:‘/’, // 当路径是/ 重定向到 /about。路由的replace。
2026-03-07 17:52:04
218
原创 前端学习---(7)vue上手(组件)---2
provide 和 inject 用于父组件向子组件传递数据,任何后代的组件树，无论层级有多深，都可以注入由父组件提供给整条链路的依赖。全局注册，如果你全局注册了一个组件，即使它并没有被实际使用，它仍然会出现在打包后的 JS 文件中。全局注册在大型项目中使项目的依赖关系变得不那么明确,局部注册依赖关系更加明确。组件生命周期的八个钩子函数。导入的组件可以直接使用。在每个vue组件中注册。
2026-03-05 10:40:25
236
原创 前端学习---(7)vue上手(基础)---1
key 是 Vue 给 v-for 循环渲染的元素添加的唯一标识，:key=“index” 就是把循环的「索引值」作为这个唯一标识。表单事件: input（输入实时触发）、change（值改变触发）、submit（表单提交）、blur（失去焦点）鼠标事件: mouseenter（鼠标进入）、mouseleave（鼠标离开）、contextmenu（右键）页面/窗口事件: load（页面加载）、resize（窗口缩放）、scroll（滚动）点击事件: click（单击）、dblclick（双击）
2026-03-04 16:05:19
228
原创 软件研发类项目流程
②按测试计划,执行单元测试、集成测试、系统测试，核心模块需做压力测试（如并发量、QPS指标）①核心模块必须输出《技术设计文档（TDD）》，包含架构图、模块划分、接口定义。①测试人员基于《需求评审纪要》编写测试用例，覆盖功能、性能、兼容性、异常场景。② 每周/每版本迭代后组织复盘会，记录问题（如延期原因、技术坑）、改进措施。②明确需求优先级（P0/P1/P2）、验收标准（可量化）、排期。③. 明确技术选型（如框架、中间件、云服务）的理由与成本。③ 输出《上线报告》，记录版本内容、风险点、回滚方案。
2026-01-08 18:50:40
292
原创 大模型的微调技术简介
大模型微调（Fine-tuning）是在通用“基座模型”的基础上，使用特定任务 / 领域的数据集（如医疗对话、法律文档分析、代码生成等）进行进一步训练，通过更新模型参数，使其获得专业能力的过程。因为其位置（关键权重旁）和方式（可合并的旁路） 在效果、效率和便利性上取得了最佳平衡。方式 1：合并 LoRA 适配器到原模型（推荐，部署时无需加载 PEFT）④ **BitFit(仅调偏置）**极简低成本方案。③**Adapter(适配器）**多任务首选。(仅参数高效微调（PEFT）)微调和RAG(检索增强生成)
2026-01-07 15:51:30
627
原创 如何评估LLM和Agent质量
Agent 是大模型 + 工具 + 记忆 + 规划的综合体，其核心价值是完成复杂任务，因此评估重点从 “模型能力” 转向 “任务执行能力”。LLM和Agent两者的评估维度有重叠但侧重点差异显著 —— 大模型侧重基础语言与认知能力，Agent 侧重复杂任务的闭环执行能力。自动评估：基于标准化数据集（如 MMLU 评估大模型综合能力）、指标计算（BLEU、任务完成率），优势是高效、可量化，适合初步筛选。但核心都是能力匹配度、可靠性、实用性三个核心目标。这是大模型的核心竞争力，决定其 “能不能用”。
2025-12-31 17:57:26
421
原创 大模型蒸馏技术简介
大模型蒸馏本质上是一种模型压缩与知识迁移技术，核心目标是让体积小巧、资源消耗低的“学生模型”，精准复刻大型复杂“教师模型”的核心能力。② 在蒸馏时，教师模型不把它复杂的“世界模型”（那需要同样大的参数来存储）直接交给学生，而是把它对这个具体问题的“思考结论”——即包含了“猫狗相似”这个关系的软标签 [0.7, 0.25, 0.05]——交给了学生。训练大模型(教师模型)：首先需要训练一个大模型，这个模型通常非常复杂，且在训练数据上表现出色，但计算消耗也非常大。知识蒸馏,就是把知识浓缩,然后交给学生模型;
2025-12-29 22:12:24
394
1
原创 大模型剪枝(Pruning)技术简介
识别并移除模型中冗余或贡献低的参数 / 结构，同时保持性能基本不变。② 注意力头剪枝 (Attention Head Pruning)在不显著损失模型性能的前提下，实现模型的轻量化与高效化。③通道剪枝 (Channel Pruning)①权重剪枝 (Weight Pruning)④层剪枝 (Layer Pruning)
2025-12-29 09:12:41
302
原创 多模态大模型应用技术栈
图文检索的核心是 “跨模态语义对齐”—— 让模型学会 “文本描述的含义” 与 “图像视觉特征” 的对应关系。核心逻辑是将文本和图像映射到同一高维向量空间，通过计算向量相似度（余弦相似度 / 内积）实现 “以文搜图”“以图搜文”“图文配对”。模型选择: Stable Video Diffusion(SVD) / Open-Sora / 魔搭社区视频模型。模型选择: CLIP / BLIP-2 / EfficientNet + BERT。方案3: 开发一款长视频生成大模型(尚未实现)
2025-12-25 18:50:30
340
原创 OpenGauss数据库安装和SpringBoot项目使用OpenGauss数据库
虽然引用依赖是opengauss-jdbc,但opengauss-jdbc-3.1.0.jar中的路径依旧是 org.postgresql.Driver。引入OpenGauss的maven依赖(版本太高可能会出现依赖冲突,比如7.0.0会有slf4j的依赖冲突)连接使用navicat等 使用postgreSQL 或者opengauss驱动。所以driverClassName填写 org.postgresql.Driver。opengauss数据库安装。
2025-12-24 10:40:44
322
原创 大模型架构理解与学习
②有些任务只需要 “生成”（比如聊天、写代码），不需要依赖明确的 “输入理解”（开放式生成）—— 于是单独拿出 Decoder，做成了。（比如 GPT 系列（GPT-1~4）、LLaMA 系列（LLaMA 1/2/3）、Qwen（通义千问）、Mistral）；①有些任务只需要 “理解”（比如判断评论是好评还是差评），不需要 “生成”—— 于是单独拿出 Encoder，做成了。③有些任务需要 “先理解再生成”（比如翻译、摘要）—— 于是保留了完整的。优化 1：注意力机制 “瘦身”（解决 “慢” 的问题）
2025-12-22 18:07:45
471
原创 MCP协议的简介和简单实现
模型上下文协议（Model Context Protocol，简称 MCP）一种开放的、通用的标准化协议, 旨在标准化大型语言模型（LLM）与外部数据源或工具之间的交互方式。MCP Client 客户端：运行在主机(host)里的客户端，当有需要的时候被激活,与MCP Server 建立连接(客户端和服务器是一对一连接)。②意图解析: 聊天机器人(Host主机)将问题发给大模型,分析可用的工具，并决定用哪一个工具,如查询天气的工具;MCP 的本质是为 AI 模型提供统一的交互标准;
2025-12-18 15:25:59
394
原创 Fastapi离线环境如何使用swagger
离线环境 或者 网络状态不好的情况下swagger-ui.css 和 swagger-ui-bundle.js加载不出来。参考: https://pypi.com.cn/project/fastapi-offline/1.5.0/可以使用 FastAPIOffline。
2025-12-18 10:36:59
235
原创 大模型推理优化方案
① 量化②剪枝（Pruning）③知识蒸馏（Knowledge Distillation）①GPU 加速（NVIDIA/AMD）②CPU 加速（Intel/AMD/x86/ARM）① 通用推理引擎②生成式模型专用引擎① 批处理与动态调度②内存优化③轻量级部署工具推理优化是提升大模型（尤其是小参数模型如 Qwen2-0.5B-Instruct）部署效率的核心环节，除了之前提到的llama.cpp优化手段，还有很多针对不同场景（如低延迟、高吞吐量、跨硬件适配）的方案和工具。
2025-12-16 17:15:09
1010
原创 语音交互系统的技术实现简介
流式 ASR: 实时采集音频，按固定时长(200-500ms)切分「音频块」,每处理一个音频块，就输出增量更新的识别文本。FunASR实时输出有个特性 ：每次解码后输出「中间结果」（实时更新），静音时输出「最终结果」，完成一句话的识别闭环；非流式 ASR: 麦克风采集到语音生成语音文件(wav/mp3),ASR模型读取语音文件,然后输出识别结果。核心技术是: ASR (语音识别)+ LLM (推理和内容生成)+ TTS(自然语言生成)Whisper(读威斯珀) 伪流式适合快速原型验证，无需复杂配置。
2025-12-16 14:18:48
278
原创 大模型应用中的意图识别和槽位抽取
会给模型带来巨大的处理负担，使模型难以准确地捕捉和理解其中的关键内容，容易出现混淆和错误的关联，进而影响其对意图和槽位的准确识别和抽取。通过提示词设计，无需添加复杂的额外算法或模型架构，就可使 AI 智能体快速具备意图识别和槽位抽取能力。目的是需要智能体能够理解准确各种各样、形式各异但意思相近的问题,（比如方言类、反问语气、情绪化语气等），这就要求 LLM 节点得有很强的泛化和识别能力。但比较贵,而且难以控制。意图识别和槽位抽取是自然语言理解（NLU）的两个关键部分，会直接影响智能体的交互质量和用户体验。
2025-12-12 10:34:03
793
原创 langchain基础教程(8)---使用LangGraph的搭建混合型的RAG
按照流程图, 使用add_edge 连接节点和节点, 并行节点也使用add_edge, 条件分支要使用add_conditional_edges。状态是一个类型化字典(TypedDict),用于存储各个节点的结果,加上输入问题 一共9个。全局的 “数据容器”, 用于在节点间传递信息（如上下文、工具结果、中间节点的结果数据)节点间的 “流转规则”, 决定了 “执行完当前节点后，下一步该去哪里”(节点0 A是输入问题,没有任何功能不能算个节点)(节点9 输出回答,这里是直接输出,也不能算节点)
2025-12-11 17:01:32
433
原创 langchain基础教程(7)---搭建RAG的步骤
LangChain: 企业级 RAG 系统、适用于复杂场景（多数据源、多 LLM、Agent 集成）、二次开发需求高。RAG 原理： 检索（从知识库获取相关信息）→ 增强（将信息作为上下文输入模型）→ 生成（模型基于上下文回答）RAG策略下，Prompt的设计变得尤为重要。简洁性： 在保证明确性的前提下，Prompt应尽可能简洁明了，避免引入不必要的冗余信息。② Agentic RAG（智能体式 RAG）：灵活智能，适合复杂场景。① 2 步 RAG（2-step RAG）：简单可预测，适合固定场景。
2025-12-08 19:14:51
350
原创 langchain基础教程(6)---构建知识库--①向量数据库-chromadb
①向量（Vector）：将非结构化数据（文本、图像、音频、视频等）通过 Embedding 模型转换后的高维数值数组（例如 768 维、1536 维），每个维度代表数据的一个语义 / 特征属性。更通俗的说法，向量就是一个数字列表，例如：[12, 13, 19, 8, 9]。②向量的数据表示: 由ID（唯一标识）、向量（数值表示）、有效负载（元数据）组成。向量数据库是专门用于存储、管理和检索高维向量数据的数据库系统。③ 将向量和元数据(内容,标题,页码等)一块存到向量数据库中。
2025-11-30 15:21:52
428
原创 langchain基础教程(5)---长期记忆实现---使用Mem0
milvus操作参考: https://milvus.io/docs/zh/manage-collections.md。这种记忆库就是利用大模型,将对话提取/总结, 其效果非常依赖大模型的质量和prompt(默认prompt可能效果不佳)基础存储无记忆管理逻辑，仅提供基础增删改查。milvus安装之后可以使用 http://ip:9091/webui 可视化页面查看。git地址: https://github.com/mem0ai/mem0。② 内置智能记忆管理,支持长期记忆,短期记忆,可配置遗忘策略。
2025-11-27 16:21:58
486
原创 langchain基础教程(4)---短期记忆和长期记忆
在langchain官方文档中,store是在工具中使用,但是我个人认为,store放在中间件(before_model,after_model)中使用更方便。然而随着聊天轮数越来越多, 聊天记录越来越长,然后送入模型的数据会越来越长,终究会超过大模型的上下文长度;但上述都有缺点,随着聊天轮数的增多,聊天记录总归会超过大模型上下文窗口上限, 无论是截断/精简/摘要都会丢失一些消息或者细节;长期记忆(历史对话)放入外部存储环境中(如向量数据库,数据库,文档,redis),然后根据需要加载 相关的对话历史;
2025-11-26 17:25:58
333
原创 使用Uvicorn和Gunicorn部署FastApi
是一个WSGI 服务器兼进程管理器，本身主要用于同步框架（如 Flask），但在生产环境中，常被用来管理 Uvicorn 进程，充分利用多核 CPU 提升并发能力。同步框架: 当服务器（如 Gunicorn）收到请求时，会分配一个线程 / 进程处理该请求，线程会全程阻塞直到请求处理完成（包括等待 I/O 操作，如数据库查询）异步框架: 请求处理过程中遇到 I/O 等待时，不会阻塞线程，而是主动让出资源，让线程处理其他请求，从而用更少的资源（线程）实现更高的并发。先说一下什么是同步框架,什么是异步框架。
2025-11-25 14:35:17
516
原创 langchain基础教程(4)---create_agent核心参数详解
这是大模型调用工具的信息, 工具的自定义参数 是大模型产生的, agent信息在ToolRuntime中,ToolRuntime中的信息 包含messages(对话信息),context(上下文信息),config(运行的配置),stream_writer,tool_call_id(当前调用工具id),store。: 系统提示词,信息发送给模型的时候会添加,运行时是看不到的,无论是工具还是中间件,都不会有。: 运行时上下文, 自定义信息, 可在Runtime中获取。langchain 版本 1.0。
2025-11-24 17:18:20
335
原创 AutoGen入门(2)---AutoGen高级功能简介
Graph Flow是 AutoGen 中用于结构化多智能体协作的核心工具，通过 “节点 - 边 - 上下文” 模型，将复杂任务拆解为可预测的步骤序列。GraphFlow 是 AutoGen AgentChat 中用于定义有向图工作流的框架，旨在通过可视化节点与边的关系，实现多智能体协作的结构化、可预测执行。③支持跨回合协作（如长对话、多步骤任务），确保逻辑连贯性（例如：数据分析任务中，智能体需记住前期清洗的数据结果，才能继续建模）。Swarm 实现了一个团队，其中代理可以根据其能力将任务移交给其他代理。
2025-11-12 17:59:03
648
原创 AutoGen入门(1)---AutoGen基础简介
AutoGen 是微软于 2023 年开源的前沿多智能体协作框架，AutoGen 的核心理念是让多个智能体通过对话（conversation）相互协作，共同完成任务，支持 LLMs、人类输入和工具的灵活组合。此方法在与团队和应用程序/用户之间的异步通信的持久会话中很有用：一旦团队完成一次运行，应用程序会保存团队的状态，将其放入持久存储中，并在反馈到达时恢复团队。②保存和加载团队: 在团队上调用 save_state 方法来获取团队的状态，并通过在团队上调用 load_state 方法来加载它。
2025-11-12 15:14:49
1058
原创 LangGraph基础教程(4)---LangGraph的核心能力
LangGraph 的中断（Interrupt） 功能允许在图执行的任意点动态暂停流程，等待外部输入（如人工审批、内容编辑）后再恢复，核心依赖检查点（持久化状态） 和thread_id（定位待恢复状态）；① 检查点（Checkpointer）：必须启用（如InMemorySaver、SqliteSaver），用于持久化暂停时的图状态，确保恢复时不丢失进度。定义：关联特定执行实例的检查点集合，通过 thread_id 标识（可自定义为会话 ID、用户 ID 等）。
2025-11-11 15:03:17
1146
原创 LangGraph基础教程(3)---LangGraph的工作流程
② 定义步骤类型与上下文：按功能将节点分为 LLM 步骤（分析 / 生成文本）、数据步骤（检索外部信息）、操作步骤（执行外部动作）、用户输入步骤（人工干预），明确每个节点的上下文需求和预期结果。④ 构建节点和错误处理：节点以函数形式实现，针对 4 类错误（瞬态错误、LLM 可恢复错误、用户可修复错误、意外错误）设计专属处理策略（重试、循环返回、暂停、冒泡）。③循环机制：通过条件边实现 “LLM 决策→工具执行→反馈给 LLM” 的循环，直至完成任务（如算术运算：判断需调用加法工具→执行加法→返回结果）。
2025-11-10 11:57:29
459
原创 LangGraph基础教程(2)---LangGraph简单演示
生成包含工具调用的消息(如tool_calls: [{“name”: “add”, “args”: {“a”:3, “b”:4}, “id”: “call_1”}]）。判断要不要调用工具 若需要调用工具, 则进入tool_node节点, 执行工具, messages追加 工具消息ToolMessage , 并更新状态。此时状态更新为 messages追加模型消息(除了用户消息, 系统消息 还有大模型第一次生成的工具调用消息), llm_calls=1。LangGraph版本1.0.2。
2025-11-07 19:42:11
353
原创 LangGraph基础教程(1)---LangGraph的简介
图结构: 图结构是最灵活的数据结构，元素（节点）之间可以是 “多对多” 的任意关联 ,甚至可以直接与自身关联（自环）,节点之间的关系不受层级或顺序约束，可自由连接;根据边的 “方向性” 和 “约束条件”，图结构可分为多种类型: 有向图,无向图,简单图,多重图,完全图等,与 LangGraph 关联最紧密的是有向图和有向循环图。树形结构: 存在一个唯一的 “根节点”(首节点),其他节点有且仅有一个父节点，但可有多个子节点(最底层节点称为 “叶子节点”,无子节点)节点分属不同层级，体现 “上下级” 关系。
2025-11-07 15:29:14
868
原创 langchain基础教程(3)---langchain一些高级用法
内存存储 (Memory storage): LangGraph 将长期记忆作为 JSON 文档存储在存储 (store) 中。LangChain 的 create_agent 实际上是在 LangGraph 的运行时环境下运行的。活动的智能体发生变化，用户可以继续直接与新的智能体交互。你可以在工具 (tools) 和中间件 (middleware) 中访问运行时信息。当主智能体决定任务与子智能体的描述匹配时，它会调用 call_subagent1。如果子智能体不需要与用户对话,可以使用工具调用。
2025-11-06 14:46:13
339
原创 langchain基础教程(2)---langchain的核心组件
context_schema 用于定义 跨节点共享的运行时上下文结构，确保代理的不同节点（如模型调用节点、工具调用节点、中间件钩子等）能安全、一致地访问和修改全局共享信息（如用户会话 ID、权限标识、全局配置等）。智能体遵循 ReAct（“推理 + 行动”）模式，在简短的推理步骤与针对性的工具调用之间交替，并将结果观察反馈到后续决策中，直到能够提供最终。持久化代理的单线程执行状态（如对话历史、工具调用记录、中间结果等），以便在会话中断（如服务重启、网络中断）后，能恢复到之前的状态继续交互。
2025-11-05 18:57:15
1056
原创 langchain基础教程(1)--快速搭建一个简单的应用(基于BaseChatModel自定义chatModel)
参考: https://langchain-doc.cn/v1/python/langchain/quickstart.html。
2025-11-04 19:11:06
219
java与蓝牙模块实现通信.rar
2019-05-16
java调用C++dll
2018-11-16
springCloud学习代码(真正用的时候方便找)
2019-04-28
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人