Python+大模型API第23期

Python + 大模型API第22期

直接将这些敏感数据放入 prompt（提示词）作为上下文，不仅受限于模型的上下文窗口大小，成本高昂，且在海量数据中难以精准定位相关信息。它像一座桥梁，将大模型与你分散在不同数据源中的私有数据连接起来，提供了一套从数据摄取、索引构建到高级查询的完整工具链。condense_question 模式会将 “它的水箱” 这样的指代，结合对话历史重写为 “智能咖啡机-银河X1的水箱容量”，从而确保检索准确。

摘要本文为零基础开发者介绍如何在Coze平台创建AI智能体。首先解释智能体的核心概念（Agent、Prompt、知识库、工作流、插件与API），强调明确需求的重要性。以"Python学习规划助手"为例，详细演示创建流程：填写基本信息、编写系统提示词（包含角色、目标、步骤等结构化内容）、配置交互引导。随后讲解如何通过知识库增强专业性，以及用工作流拆解复杂任务（变量传递、条件分支）。最后强调测试方法（

本文介绍了如何使用Dify搭建企业级AI Agent的全流程方案。

Transformer 是 GPT、BERT 等大模型的基石，核心创新是自注意力机制，让模型能并行处理整个序列，同时关注句子中任意两个词的关系。本文从头实现了 Transformer 编码器的完整结构：输入嵌入、位置编码、多头自注意力（QKV）、前馈网络、残差连接与层归一化，并对比了 GPT（仅解码器）与 BERT（仅编码器）的架构差异。

LangChain 通过六大核心抽象简化大模型应用开发：Models 统一模型接口，Prompt Templates 实现动态提示词，Chains 串联组件形成流水线，Memory 为对话提供记忆，RAG 基于外部知识库增强回答，Agent 让模型自主调用工具。本文通过 Python 代码示例逐一拆解这些抽象，帮助开发者快速上手。

Dify是开源大模型应用开发平台，将可视化工作流编排、内置RAG知识库、Prompt版本管理、插件工具调用和完善的API整合为开箱即用的服务，无需从零搭建技术栈。本文面向新手，从零介绍Dify的五大核心能力，通过Python代码示例详细演示基础对话调用、流式响应输出、知识库检索问答、可视化工作流触发以及自定义工具集成等实际开发场景，并与LangChain进行多维度对比分析，帮助开发者快速上手构建自

Python+大模型API 第一期

Python+大模型API第三期