BlogMemory

摘要： Course: https://learn.deeplearning.ai/courses/ai-agentic-design-patterns-with-autogen/lesson/pcet5/introduction 阅读全文

摘要： 学习资料：https://arxiv.org/html/2501.09136v1https://github.com/asinghcsu/AgenticRAG-Surveyhttps://github.com/jiangxinke/Agentic-RAG-R1 https://www.heywhal 阅读全文

摘要： 打开powershell 关闭wsl，执行命令：wsl --shutdown 执行命令：diskpart 选择虚拟磁盘文件：select vdisk file = "C:\Users\***\AppData\Local\Packages\CanonicalGroupLimited.Ubuntu22. 阅读全文

摘要： BM25Okapi 核心解析 1. 什么是 BM25Okapi？ BM25（Best Matching 25）是一种经典的检索排序算法，用于计算「查询文本」与「文档」的相关性得分，广泛应用于搜索引擎、问答系统等场景。 Okapi BM25 是 BM25 的最常用变体（由伦敦城市大学的 Okapi 项 阅读全文

摘要： NEO4J配置：16C32G 200G * 3 (2个写1个读)NEO4J集群部署教程https://www.cnblogs.com/OfflineBoy/p/15840278.htmlhttps://www.cnblogs.com/mojita/p/12012693.htmlhttps://mp. 阅读全文

摘要： 在 Cypher 中，深度查询的核心是「可变长度关系语法」，用于匹配节点间多步（多深度）的关联关系。它的核心格式、用法场景、常见问题及最佳实践如下，结合之前的示例系统化梳理： 一、核心语法：可变长度关系 匹配 n 到 m 步的关系，语法格式为： ()-[:关系类型*最小深度..最大深度]->() 关 阅读全文

摘要： 目标：掌握 Cypher 的基本语法规则，能独立完成 “创建 - 查询 - 更新 - 删除”（CRUD）操作，理解图数据的表达逻辑。 1. 先搞懂 3 个核心语法符号（基础中的基础） Cypher 语法高度可视化，记住这 3 个符号就能描述任何图结构： 符号 含义 示例 () 节点（可加标签 / 属 阅读全文

摘要： chain_extract.pycontextual_compression.py在 LangChain 中，多轮对话的上下文压缩主要用于解决长对话场景下的 Token 超限问题，通过对历史对话内容进行总结、提取关键信息或截断，在保留核心上下文的同时减少 Token 消耗。以下从核心方案、具体实现代 阅读全文

摘要： 这是一个非常关键且具有挑战性的问题，无论是在构建AI应用还是在进行人机交互研究时都至关重要。 判断多轮对话中前后提问是否存在依赖关系，通常需要一个综合的策略，结合了规则、语义理解和上下文分析。以下是详细的判断方法和实现思路： 一、 依赖关系的典型特征 当后续提问（Query B）依赖于先前提问（Qu 阅读全文

摘要： 在容器环境中，Cache内存使用率通常指的是容器内存中被操作系统用于缓存文件系统数据的部分。操作系统会利用未使用的内存来缓存磁盘上的数据，以提高文件读写性能。这部分内存虽然被标记为“已使用”，但实际上可以在需要时释放并重新分配给其他进程，因此它并不代表真正的内存压力。 Cache内存的工作原理 当应 阅读全文