本文介绍了LangChain框架对大语言模型（LLMs）的集成应用，重点解析三类核心模型：1）LLMs基础语言模型，提供统一接口支持云平台和本地部署；2）ChatModels对话优化模型，支持多角色消息输入和流式输出；3）EmbeddingsModels文本嵌入模型，将自然语言转化为向量表示。通过代码示例展示了各类模型的具体调用方式，包括Azure云服务、本地Ollama部署及HuggingFac

RAG（检索增强生成）通过为大模型配备一个可随时查阅的外部知识库，巧妙地解决了通用大模型知识静态、领域局限、易产生幻觉及数据安全等核心痛点。其核心思想检索+生成的双阶段协作，离线阶段将私有文档分块、向量化并构建索引，在线阶段将用户问题转为向量，从知识库中召回最相关的片段，再与问题一同输入大模型生成最终答案。在这个过程中，向量化扮演了关键角色——它将文本的语义转化为计算机可计算的数字表示，通过相似度

配置文件在实际开发中如何使用呢，接下去将通过Spring Boot整合mybatis来看配置文件如何在实际开发中被使用。

ReAct 并不是某种框架或组件，而是一种 推理-行动循环模式。思考 Thought分析当前问题，判断下一步该做什么行动 Action 调用某个工具或执行某个操作观察 Observation 获取工具返回的结果答案 Final Answer 当信息足够时，输出最终结论这种模式的核心价值在于：将语言模型的推理能力与外部工具的执行能力结合起来。ReAct 并不是一个固定的模块划分，而是一种让 LLM

这篇文章介绍了AI大模型中的思维链（Chain of Thought, CoT）技术，它能显著提升AI在复杂问题上的推理能力。思维链通过让AI逐步展示推理过程，将复杂问题拆解为简单步骤，从而提高准确性。文章解释了两种常用形式：零样本思维链（直接指令激活）和少样本思维链（通过示例引导），并介绍了进阶的自洽性思维链（Self-Consistency）技术，即通过多次采样不同推理路径选择最一致的答案来提

模型训练者并没想到过会这样，完全是大家「把 AI 当人看」玩出的一个用法，因为实在传得太广，导致现在的大模型训练数据里充满了角色定义，所以更有效了，更有相关论文证实了这一现象，进一步说明为啥「你是一个 xxx」能够有效，同时发现大模型对prompt开头和结尾更敏感。参考文献：https://arxiv.org/abs/2307.03172。

瀑布式开发是一种。瀑布式开发 = 一步一步往下走，不能回头，像瀑布一样，流下去就流不回来了。瀑布式开发又可以被分为6大关卡，搞需求，做设计，详细设计，写代码，测试，交付。典型流程为：要件定義 → 基本設計 → 詳細設計 → 製造 → テスト → リリース稳定 不出错 责任清楚 文档齐全流程死 好管理 好追责 不容易乱尤其在，瀑布式或瀑布为主的混合模式依然是主流。需要客观说明的是，日本互联网企业（如

根据系统提示词，然后再给大模型配上相应的工具代码，一个真实的Agent就可以被真实的搭建出来啦，下一篇文章将具体实现Agent，为大模型装上手脚。

Trainer 是 Hugging Face transformers 库中提供的一个，旨在简化和标准化 NLP（自然语言处理）模型的训练过程。它抽象了训练循环中的大量样板代码，让开发者能够以更少的代码实现强大的训练功能。

Continue 是一款面向 VS Code、JetBrains 等主流 IDE 的开源 AI 编程辅助插件，它支持集成本地（如 Ollama、CodeLlama）或云端大模型，能为开发者提供代码补全、解释、重构、调试等全流程编程助力，兼具高度可定制化与数据本地化部署的核心优势，不过其默认配置存在遥测、云回退等潜在隐私风险，需通过手动调整配置来强化代码数据的安全性。三 Continue与Curso