LangChain Model I/O 核心组件与模型调用实践 本文介绍了LangChain框架中Model I/O的核心组件及模型调用方法。主要内容包括： Model I/O架构：分为提示词模板(Prompts)、模型调用(Models)和输出解析(Output Parsers)三个环节，重点讲解模型调用环节。 模型类型对比： Chat Models（对话型）：现代主流模型接口，输入消息列表，输

大模型技术之-Python调用Dify平台工作流大模型技术之-Python调用Dify平台工作流大模型技术之-Python调用Dify平台工作流大模型技术之-Python调用Dify平台工作流大模型技术之-Python调用Dify平台工作流大模型技术之-Python调用Dify平台工作流大模型技术之-Python调用Dify平台工作流

LangChain也支持使用Ollama 、vLLM 等框架启动的本地大模型。这里以Ollama为例进行演示。Ollama是在Github上的一个开源项目，其项目定位是：一个本地运行大模型的集成框架，可以实现如Qwen、Deepseek 等主流大模型的下载、启动和本地运行的自动化部署及推理流程。

1）提示词提示词（Prompt）是指用户与大模型交互时输入的内容，用于描述任务目标、提供必要上下文，并约束目标生成结果的形式与范围。2）为什么需要提示词大模型在训练过程中阅读了海量的语料，学到了大量的知识。提示词的作用就是引导大模型用特定的知识回答问题。就好像考试必须给出试题才能作答。3）为什么需要优化提示词合理的提示词可以引导模型输出优质的回答。就好像看医生，如果只是说“我不舒服”，很难判断具体

分类标准类别示例按照功能分类生成式大模型嵌入模型重排序模型分类模型通常是经过微调的小模型生成模型按照模态分类大语言模型Qwen3/DeepSeek-V3/GPT-5 语言模块多模态理解模型Qwen3-VL/GPT-5（视觉理解模块）多模态生成模型。

RAG（检索增强生成）技术通过结合信息检索与文本生成，提升大模型回答的准确性和可靠性，解决知识更新滞后和幻觉问题。其流程分为离线知识库构建（文档分块、向量化存储）和在线问答（问题检索、提示词组装、生成答案）。知识库搭建适用于个人、企业等多场景，工具选型需考虑轻量级（如Cherry Studio）、平台型（如Dify）或高精度解析（如RAGFlow）。Cherry Studio以小白友好、多模型对比

摘要： LangChain是由哈佛大学Harrison Chase开发的开源框架（2022年10月发布），用于构建基于大语言模型（LLMs）的应用程序，支持Agent、问答系统、文档搜索等场景。其核心模块包括Model I/O（标准化模型输入/输出）、Chains（流程组合）、RAG（检索增强生成）和Agents（任务自动化）。相比直接调用GPT等API，LangChain简化开发流程、降低学习成

摘要： LangChain是由哈佛大学Harrison Chase开发的开源框架（2022年10月发布），用于构建基于大语言模型（LLMs）的应用程序，支持Agent、问答系统、文档搜索等场景。其核心模块包括Model I/O（标准化模型输入/输出）、Chains（流程组合）、RAG（检索增强生成）和Agents（任务自动化）。相比直接调用GPT等API，LangChain简化开发流程、降低学习成

ThreadLocal是Java实现线程局部变量的工具类，通过为每个线程维护独立变量副本实现线程安全。本文系统讲解了ThreadLocal的核心原理、特点及与同步锁的区别，详细分析其底层ThreadLocalMap结构及哈希冲突解决方案。通过基础示例演示多线程独立计数的应用场景，并重点结合JDBC事务实战，展示ThreadLocal如何保证同一线程使用相同连接实现事务原子性。文章强调remove(

分类标准类别示例按照功能分类生成式大模型嵌入模型重排序模型分类模型通常是经过微调的小模型生成模型按照模态分类大语言模型Qwen3/DeepSeek-V3/GPT-5 语言模块多模态理解模型Qwen3-VL/GPT-5（视觉理解模块）多模态生成模型。