本项目旨在从零搭建一个基于 GPT-2 Medium 衍生架构的 LLaVA 多模态大模型，使其至少支持文本、图像两种模态输入，同时尽可能减少对Pytorch封装库的直接调用，在此中熟练掌握基础的知识、模型的预训练微调等等处理技术和对多模态技术的了解。

接收用户输入的问题；自主判断是否需要调用搜索工具；输出标准化结果：需要搜索则返回关键词，无需搜索则直接返回答案。这个案例是 LangGraph 与大模型结合的最佳入门示例用 LangGraph 编排流程，让大模型做决策。对于刚接触大模型应用开发的朋友，先跑通这个基础工作流，再逐步添加工具调用、分支判断、循环执行等功能，就能快速搭建出专业的大模型智能应用。后续我会继续分享 LangGraph 进阶实

Ghostty 的设计理念是让大多数用户无需任何配置即可开箱即用，如果你更喜欢自定义个性化，可以看看以下选项。或Ghostty菜单栏操作。下载对应系统的安装文件。

本指南中的提示词示例使用了等框架，这些框架有助于结构化提示词，可。

本项目旨在从零搭建一个基于 GPT-2 Medium 衍生架构的 LLaVA 多模态大模型，使其至少支持文本、图像两种模态输入，同时尽可能减少对Pytorch封装库的直接调用，在此中熟练掌握基础的知识、模型的预训练微调等等处理技术和对多模态技术的了解。

用户列表和订单列表，分别创建对应的实体类，通过 EasyExcel 的 @ExcelProperty 注解指定 Excel 表头名称（注解参数就是最终 Excel 中显示的表头）。实体类用 Lombok 的 @Data 注解简化 getter/setter 代码，无需手动编写，节省开发时间。

宿主应用给用户一个"附加 wiki 页面"的 UI,选中的页面进入上下文,Claude 直接读,不需要猜。它是三种里用得最少的,但合适的时候非常合适。Resource 是 MCP 生态里被严重低估的 primitive —— 它在比大家想象得更多的场景里才是对的答案。模型读每个工具的 description,中间决定某一个相关,带参数调用,结果作为 tool_result 折回上下文。当 tool

现代主流大语言模型（LLM）几乎都是把同一种结构————一层一层堆起来的。所以只要把一个 Transformer 内部的几个零件理解透，就能看懂绝大部分主流 LLM 的论文和 model card。用什么数据训练；模型规模与超参（层数、宽度、注意力头数等）；后训练阶段做了什么（SFT、RLHF、DPO……）。下面按 9 个主题，把 LLM 的"内部机器"从输入到输出走一遍。读完前 8 节，你会发现

如果你只有一台2核4G的云服务器，pgvector是最务实的方案；如果你有专门的机器或K8s集群，可以考虑Milvus。

Ghostty 的设计理念是让大多数用户无需任何配置即可开箱即用，如果你更喜欢自定义个性化，可以看看以下选项。或Ghostty菜单栏操作。下载对应系统的安装文件。