本文介绍了如何使用Ollama工具在本地部署大语言模型，并通过LangChain进行调用开发AI应用。主要内容包括：Ollama的特点（数据隐私可控、无需外网依赖等）、环境安装配置、基础调用方法、结合PromptTemplate的使用技巧，以及如何通过FastAPI构建简单对话接口。文章还提供了常见问题解决方案，如模型响应慢的处理方法和查看已安装模型的方式。该方案为开发者提供了本地运行大模型的完整

本文介绍了一个基于PyTorch+YOLOv8+Gradio的多功能图像处理系统。该系统集成了图像分类(ResNet18)、目标检测(YOLOv8)和语义分割(YOLOv8-Seg)三大功能。通过Gradio框架快速构建了包含三个独立Tab的Web界面，分别对应不同任务。系统特点包括：1)预加载模型提高推理效率；2)自动可视化处理结果；3)支持上传图片和示例测试；4)分类任务返回Top-N概率结果

摘要：AgentSkills是一套任务执行框架，由三个核心要素组成：Agent（任务执行者）、Tool（基础工具）和Skill（任务方法）。其中Skill通过标准化流程指导Agent在特定场景下的执行逻辑，包含指令、脚本、模板等资源。文章详细介绍了如何在OpenCode中安装和使用AgentSkills，包括从官方仓库下载、项目级/全局安装配置，并以企业网站设计为例展示Skill的实际应用。同时阐

摘要 LangChain的Model I/O模块是与语言模型交互的核心组件，包含Prompt Template、Model和Output Parser三部分，分别对应输入、模型处理和输出。Prompt Template通过动态变量组合生成最终提示词，支持多种类型如ChatPromptTemplate（适用于聊天模型）、FewShotPromptTemplate（少样本提示）等。ChatPrompt

本文介绍了RAG系统中文本分块的核心技术与实践策略。主要内容包括： 文本分块的必要性：突破LLM的Token限制，提升检索精准度，减少无效信息干扰。 主流分块策略： 固定字符数切分（简单但破坏语义） 句子级切分（保留句子结构） 递归字符切分（LangChain默认策略） Token级切分（精准控制输入） 语义级切分（效果最佳但成本高） LangChain核心拆分器详解： RecursiveChar

摘要：大语言模型(LLM)在专业领域应用时存在"幻觉"问题，检索增强生成(RAG)成为有效解决方案。LangChain框架的Retrieval模块提供标准化RAG开发流程，包含数据加载、文本处理到向量检索的全流程能力。文章详细解析了RAG的核心优势与局限性，以及LangChain文档加载器的设计思想和7类常见格式的加载实现，包括TXT、PDF、CSV等。同时提出了大文件处理、加

文本嵌入是RAG系统的核心环节，通过将文本转换为稠密向量实现语义匹配。嵌入模型将语义相似的文本在向量空间中距离拉近，支持语义检索、聚类等功能。LangChain提供统一API接口，支持开源和闭源模型。向量数据库专为高效相似性检索设计，主流选项包括Chroma、FAISS等，选型需考虑规模、部署等因素。实战演示了使用Chroma进行存储、检索及持久化操作，展示基础检索、带分数检索、元数据过滤等进阶功

本文介绍了LangChain检索器（Retrievers）在RAG系统中的核心作用与高级应用策略。基础检索器通过向量数据库实现语义相似度检索，支持similarity、similarity_score_threshold等四种检索类型。针对复杂场景，文章详细解析了五种高级检索策略：MultiQueryRetriever通过多查询改写解决表述歧义问题；ContextualCompressionRet

PlanAct和ReAct。一开始看这两个概念，很容易觉得它们只是 Agent 执行过程中的两种写法。但如果把它们放到真实业务系统中，例如客服工单、订单售后、会员补发、退款审批等场景，就会发现它们背后其实代表了两种不同的 Agent 设计思想。PlanAct 解决的是：任务流程如何稳定执行。ReAct 解决的是：未知问题如何动态调查。在实际工程中，如果只使用 PlanAct，系统虽然稳定，但遇到异

本文介绍了一个基于PyTorch+YOLOv8+Gradio的多功能图像处理系统。该系统集成了图像分类(ResNet18)、目标检测(YOLOv8)和语义分割(YOLOv8-Seg)三大功能。通过Gradio框架快速构建了包含三个独立Tab的Web界面，分别对应不同任务。系统特点包括：1)预加载模型提高推理效率；2)自动可视化处理结果；3)支持上传图片和示例测试；4)分类任务返回Top-N概率结果