对象的值是否可变是一个容易混淆的概念。不可变对象：值一旦创建就不能改变，包括数字、字符串、元组等可变对象：值可以动态修改，包括列表、字典、字节数组等不可变容器对象如果包含可变对象的引用，其 "值" 可能因内部可变对象的改变而改变。例如：python# 不可变元组包含可变列表# 修改内部列表，元组"值"发生变化这种设计使得 "不可变" 的定义更侧重于对象引用集合的稳定性，而非值的绝对不可变，这是理解

通过自定义提示词引导 LLM 生成更精准的上下文：python# 增强技术术语关联的提示词给定全文和当前文本块，生成包含以下内容的上下文：1. 技术术语的历史背景（如IBM 704的技术定位）2. 段落间的逻辑关系（如该段与前后文的关联）3. 相关事件的时间线全文：{full_text}当前块：{chunk_text}上下文："""prompt=CUSTOM_PROMPT # 替换为自定义提示词。

当多个接口需要共享相同的错误响应时，我们可以使用 Python 的字典解包操作来重用预定义响应：pythonid: strvalue: str# 预定义通用响应@app.get(if img:else:这种方式通过将预定义响应合并到当前接口的responses中，既保证了代码复用，又能为每个接口添加自定义响应。让 API 文档更完整地反映接口行为为前端和客户端提供更清晰的错误处理指南支持多媒体类型

spaCy 的训练流程本质是通过高质量数据与合理的数学优化，让模型学会 “理解” 语言规律。标注质量决定模型上限，BILUO 方案是实体标注的 “通用语言”评估集是模型泛化能力的 “试金石”，分层抽样是数据划分的必备技巧Prodigy 与 spaCy 的集成，让标注 - 训练流程效率提升 50% 以上希望这些经验能帮你少走弯路。如果你在数据标注或训练调优中遇到具体问题，欢迎在评论区留言，我们一起探

pythonreturn jsonify({"error": "请提供查询文本"}), 400}), 200通过 LlamaIndex 与全栈技术的结合，我们实现了从文档上传、索引构建到智能问答的完整流程。这种架构不仅适用于企业知识库、智能客服等场景，还可通过扩展索引类型（如 TreeIndex）、优化检索策略（如 HybridRetriever）进一步提升性能。

python# 全局配置LLM（使用GPT-3.5，温度0.1降低随机性）# 后续创建查询引擎时无需重复配置LLMquery_engine = index.as_query_engine() # 自动使用全局LLM配置优化建议开发阶段：使用 GPT-4（model="gpt-4"）获取更高质量回答生产阶段：切换为 GPT-4o（model="gpt-4o"）降低成本多语言场景：根据语言设置对应模型

默认提示词可能不适合所有场景，我们可以自定义查询生成逻辑：python运行# 1. 定义输出解析器（将LLM结果拆分为查询列表）return list(filter(None, lines)) # 移除空行# 2. 自定义提示词模板template="""你是AI助手，任务是生成五个不同版本的用户查询，用于从向量数据库检索相关文档。通过生成多角度查询，帮助用户克服基于距离检索的局限性。原始问题:

通过以上步骤，我们成功搭建了一个基于 Milvus、BGE 和 GPT-4o 的多模态 RAG 系统，实现了结合图像和文本的智能检索。多模态融合：通过 BGE 模型将图像和文本转化为统一的向量空间，让检索不再局限于单一模态。高效检索：Milvus 的向量检索能力能够快速处理海量数据，满足实时搜索需求。智能解释：GPT-4o 的重排和解释功能让检索结果更具可解释性，提升用户体验。数据优化：根据项目需

我们先需要告诉模型 “要提取什么”。通过 Pydantic 定义数据模型是最佳实践，来看这个 Person 类的设计：python"""人物信息提取模型。用于从文本中提取人物相关属性，若信息未知或无法提取，字段值可为空。DeepSeek模型请严格按照以下字段结构返回JSON，允许字段值为null。"""description="人物的姓名（如：张三、Alice），若文本未提及则返回null"des

事件类型对应场景关键监控指标传统 LLM 完成调用（如 GPT-3.5）提示词长度、响应内容聊天式 LLM 调用（如 GPT-4）输入消息总长度、单轮响应内容嵌入模型调用（如 OpenAI Embeddings）处理的文本块数量、嵌入维度python"""自定义模型调用监控处理器"""return "ModelMonitor" # 用于标识处理器类型"""根据事件类型执行不同监控逻辑"""# 监控