摘要：
构建企业级 Text-to-SQL Agent：基于 LangGraph 的智能数据查询系统设计 摘要：本文详细介绍了一个基于 LangGraph 构建的企业级 Text-to-SQL Agent 系统的架构设计。该系统通过多路召回、RAG（检索增强生成）、智能过滤和自修正机制，实现了从自然语言到 阅读全文
posted @ 2026-08-06 13:05 work hard work smart 阅读(1) 评论(0) 推荐(0)
摘要：
Harness 工程：驾驭 AI Agent 的工程化艺术 当 AI Agent 从玩具走向生产，你会发现：模型本身只占 20% 的工作量，剩下 80% 都是"如何驾驭它"。本文以「智能旅行助手」为例，聊聊什么是 Harness 工程，以及这套工程化基础设施如何让 Agent 可靠地跑起来。 一、什 阅读全文
posted @ 2026-08-01 12:37 work hard work smart 阅读(54) 评论(0) 推荐(0)
摘要：
DeepAgents 多智能体架构实战：从设计模式到后端选型 本文以 DeepAgents 框架为基础，通过「智能旅行助手」这一典型场景，总结多智能体架构的核心设计模式，并系统梳理框架提供的多种后端执行环境及其选型策略。 一、为什么需要多智能体？ 系统的核心问题来自一个典型的旅行场景： "我下个月想 阅读全文
posted @ 2026-08-01 10:54 work hard work smart 阅读(15) 评论(0) 推荐(0)
摘要：
Vue 自定义组件完全指南：从零构建待办事项应用 本文通过从零构建一个「待办事项应用」，深入讲解 Vue 自定义组件的核心概念与最佳实践。所有示例代码均为原创设计，帮助你理解组件化开发的精髓。 目录 为什么需要自定义组件 组件的基本结构 组件注册与引入 Props：父传子的数据通道 Emits：子传 阅读全文
posted @ 2026-08-01 10:21 work hard work smart 阅读(5) 评论(0) 推荐(0)
摘要：
使用 LangChain + Hugging Face 构建文本向量化服务 在现代自然语言处理应用中，文本向量化是将非结构化文本转换为数值向量的关键技术，它使得计算机能够理解和处理文本内容。本文将详细介绍如何使用 LangChain 和 Hugging Face 构建一个高效、可扩展的文本向量化服务 阅读全文
posted @ 2026-07-05 15:33 work hard work smart 阅读(21) 评论(0) 推荐(0)
摘要：
SQLAlchemy 使用详解 SQLAlchemy 是 Python 中最强大的 ORM（对象关系映射）工具之一，提供了强大的查询功能、事务管理和数据映射能力。本文将介绍 SQLAlchemy 的通用使用方法，帮助开发者构建健壮的数据访问层。 1. 架构概述 使用 SQLAlchemy 时，通常采 阅读全文
posted @ 2026-07-05 14:58 work hard work smart 阅读(9) 评论(0) 推荐(0)
摘要：
Python 中使用 Elasticsearch 的完整指南 引言 Elasticsearch 是一个开源的分布式搜索和分析引擎，基于 Lucene 库构建，具有高性能、高可用和可扩展的特点。它被广泛用于日志分析、全文搜索、企业搜索和实时数据分析等场景。 Python 是一种功能强大且易于使用的编程 阅读全文
posted @ 2026-07-05 14:22 work hard work smart 阅读(6) 评论(0) 推荐(0)
摘要：
Qdrant 向量数据库使用指南 1. Qdrant 简介 Qdrant 是一个高性能、开源的向量数据库，专门为处理和搜索大规模向量数据而设计。它提供了实时的向量相似度搜索功能，支持多种距离度量（如余弦相似度、欧几里得距离等），并具有强大的过滤和查询能力。Qdrant 特别适合用于构建语义搜索、推荐 阅读全文
posted @ 2026-07-05 13:20 work hard work smart 阅读(42) 评论(0) 推荐(0)
摘要：
OpenEvals 快速入门：LLM 评估指南 什么是 OpenEvals？ OpenEvals 是一个轻量级的 LLM 评估框架，使用 LLM 作为裁判（LLM-as-a-Judge）来评估模型输出质量。 特点： 开源免费 简单易用 内置多种评估提示词 支持自定义评估 安装 pip install 阅读全文
posted @ 2026-06-25 17:05 work hard work smart 阅读(41) 评论(0) 推荐(0)
摘要：
DeepEval 快速入门：LLM 应用评估指南 什么是 DeepEval？ DeepEval 是一个开源的 LLM 评估框架，用于测试和评估大语言模型应用的质量。它提供多种内置评估指标，支持自定义评估标准。 特点： 开源免费 安装简单 内置丰富评估指标 支持自定义评估 安装 pip install 阅读全文
posted @ 2026-06-25 16:12 work hard work smart 阅读(166) 评论(0) 推荐(0)
摘要：
LangSmith 批量评估完全指南 什么是 LangSmith 批量评估？ LangSmith 批量评估是 LangChain 生态系统的核心功能，用于自动化、规模化地测试和评估 LLM 应用的性能。 核心概念 将多个测试用例组织成数据集，自动化运行测试，并使用预定义的评估器对结果进行多维度打分。 阅读全文
posted @ 2026-06-25 15:52 work hard work smart 阅读(23) 评论(0) 推荐(0)
摘要：
Qwen-Agent 入门指南：快速构建智能体应用 什么是 Qwen-Agent？ Qwen-Agent 是阿里云通义千问团队开发的智能体开发框架，专门用于快速构建基于大语言模型的 AI 智能体（Agent）应用。它提供了开箱即用的组件和工具，让开发者能够轻松实现对话系统、工具调用、GUI 界面等功 阅读全文
posted @ 2026-06-25 11:04 work hard work smart 阅读(62) 评论(0) 推荐(0)
摘要：
LangSmith 集成实战：从追踪到评估的完整指南 本文以一个基于 LangGraph 构建的多步骤 Agent 为案例，完整演示如何在 LLM 应用中集成 LangSmith，覆盖追踪调试、测试数据集构建、自动化评估、OpenEvals 评估器对接等全流程。 一、LangSmith 是什么？ L 阅读全文
posted @ 2026-06-24 22:50 work hard work smart 阅读(149) 评论(0) 推荐(0)
摘要：
初识 go-zero：一款让你写后端更规范、更高效的 Go 微服务框架 前言 在 Go 语言的后端开发领域，提到 Web 框架，很多人第一个想到的是 Gin。Gin 轻量、简洁、性能好，非常适合快速搭建 API 服务。但当你从个人项目进入团队协作，或者从单服务走向微服务架构时，你会发现光有路由和中间 阅读全文
posted @ 2026-06-21 20:15 work hard work smart 阅读(86) 评论(0) 推荐(0)
摘要：
RAG 中为什么需要 Rerank，以及如何使用 Rerank 在 RAG 应用中，很多人会把重点放在向量检索、全文检索、Embedding 模型和向量数据库上。 这些确实很重要，但在真实问答场景中，仅仅把相关文档“召回”出来还不够。因为召回结果里面经常会有一些看起来相关、但并不真正适合回答当前问题 阅读全文
posted @ 2026-06-20 17:54 work hard work smart 阅读(32) 评论(0) 推荐(0)
摘要：
LangChain4j RAG 核心组件与组合方式 在使用 LangChain4j 构建 RAG 应用时，经常会看到一组组件名，比如 RetrievalAugmentor、QueryTransformer、QueryRouter、ContentRetriever、ContentAggregator、 阅读全文
posted @ 2026-06-20 15:28 work hard work smart 阅读(33) 评论(0) 推荐(0)
摘要：
Elasticsearch 具有全文检索能力和向量检索能力。全文检索适合解决“关键词匹配、分词、相关性排序”的问题，向量检索适合解决“语义相似、意思接近但表达不同”的问题。 在实际的 AI 应用，尤其是 RAG 知识库场景中，这两种检索方式通常不会孤立使用，而是会组合起来使用： 全文检索：找到和用户 阅读全文
posted @ 2026-06-20 15:08 work hard work smart 阅读(46) 评论(0) 推荐(0)
摘要：
MinerU Docker 部署指南（RAG 场景） 本文面向 RAG 系统开发者，介绍为何 MinerU 是理想的文档解析引擎，并重点讲解 Docker 部署中的关键配置改动（特别是 CUDA 版本适配问题）。本文仅涵盖安装部署，不涉及 RAG 使用细节。 一、为什么 RAG 需要 MinerU？ 阅读全文
posted @ 2026-06-19 10:09 work hard work smart 阅读(90) 评论(0) 推荐(0)
摘要：
还在为 pip 命令报错而烦恼？一行 py -m pip 轻松绕过环境变量，让 Cline 立刻拥有实时天气查询能力。 为什么要用 MCP？ MCP（Model Context Protocol）让 AI 助手（比如 Cline）能够直接调用外部工具——查天气、搜新闻、读写文件都不在话下。而配置一个 阅读全文
posted @ 2026-06-10 23:21 work hard work smart 阅读(92) 评论(0) 推荐(0)
摘要：
一、为什么需要图数据库？ 关系型数据库通过外键和 JOIN 完全可以表达实体之间的关系，比如"作者-书籍"用一张中间表就能搞定。那为什么还要引入图数据库？ 核心差异在于查询的简洁性和多层关系遍历的效率： 简单关系（如"某作者写了哪些书"）：关系型数据库 JOIN 一下就行，图数据库没有明显优势 多层 阅读全文
posted @ 2026-06-08 18:05 work hard work smart 阅读(49) 评论(0) 推荐(0)
浙公网安备 33010602011771号