摘要：
Retrieval模块的设计意义 RAG 检索增强生成（Retrieval-augmented Generation） 解决大模型幻觉的问题。LLM无法学习到所有的专业知识细节，因此在面向专业领域的提问时，无法给出可靠准确的回答，甚至会“胡言乱语”。 优点： 相比提示词工程，RAG有更丰富的上下文和 阅读全文
posted @ 2026-01-08 15:00
Rodericklog
阅读(0)
评论(0)
推荐(0)
摘要：
Agent概述 Agent(智能体) 是一个通过动态协调大语言模型(LLM)和 工具(Tools)来完成复杂任务的智能系统。它让LLM充当"决策大脑"，根据用户输入自主选择和执行工具(如搜索、计算、数据库查询等)， 最终生成精准的响应。 大模型(LLM):作为大脑，提供推理、规划和知识理解能力。比 阅读全文
posted @ 2026-01-08 09:42
Rodericklog
阅读(0)
评论(0)
推荐(0)
摘要：
Tools概述 Tools 用于扩展大语言模型(LLM)的能力，使其能够与外部系统、API 或自定义函数交互，从而完成仅靠文本生成无法实现的任务(如搜索、计算、数据库查询等)。 Tools 本质上是封装了特定功能的可调用模块，是Agent、Chain或LLM可以用来与世界互动的接口。 Tool 通常 阅读全文
posted @ 2026-01-08 09:39
Rodericklog
阅读(0)
评论(0)
推荐(0)
摘要：
模型本身是不会记忆任何上下文的，只能依靠用户本身的输入去产生输出。在 LangChain 中，提供记忆功能的模块就称为 Memory(记忆) ，用于存储用户和模型交互的历史信息。 基础Memory模块的使用 基础Memory模块的使用 层次1(最直接的方式):保留一个聊天消息列表 层次2(简单的新思 阅读全文
posted @ 2026-01-08 09:32
Rodericklog
阅读(0)
评论(0)
推荐(0)
摘要：
Chain的基本概念 Chains在最新的1.0版本已经没有描述了，但仍然可以使用，学习Chains的思想。 Chain 的核心思想是通过组合不同的模块化单元，实现比单一组件更强大的功能。比如: 将LLM与Prompt Template 结合 将LLM与输出解析器结合 将LLM与外部数据结合 将LL 阅读全文
posted @ 2026-01-08 09:28
Rodericklog
阅读(0)
评论(0)
推荐(0)
浙公网安备 33010602011771号