基于 LangChain ReAct 框架构建的扫地机器人 / 扫拖一体机器人智能客服系统，支持知识库问答、天气适配查询、用户个性化使用报告生成等功能，并通过中间件机制实现动态提示词切换与全链路日志监控。

前置要求：已阅读，Docker Desktop 已安装并运行。本文包含三个由浅入深的 Python 实战项目，每个项目都是完整可运行的示例。

可以自动解析传入的messages格式，而不是直接变成字符串，比如对话历史，用这个会保留对话历史的格式，如果直接用占位符，那就是把聊天历史直接转化为字符串全拼一起了to_string: prompt出来的数据类型是message，直接print不方便看，这时候直接to_string就好了。

论文预训练数据规模（词/token）GPT-1: ~8 亿（BookCorpus）GPT-2: ~40 亿（WebText）GPT-3: ~3000 亿（混合语料）GPT-4: >10 万亿（估计）参数量GPT-4: ~1.8T （估计，MoE）关键技术跃升GPT-1: 预训练+微调范式GPT-2: 零样本学习，Pre-NormGPT-3: In-Context Learning，涌现能力，稀疏注

本文从项目中手动实现的 Transformer 出发，系统梳理 DeepSeek 系列模型（V1 → V2 → V3 → R1）的技术演进，重点剖析其相对 GPT 路线的核心创新。

基于 LangChain ReAct 框架构建的扫地机器人 / 扫拖一体机器人智能客服系统，支持知识库问答、天气适配查询、用户个性化使用报告生成等功能，并通过中间件机制实现动态提示词切换与全链路日志监控。

本文从项目中手动实现的 Transformer 出发，系统梳理 DeepSeek 系列模型（V1 → V2 → V3 → R1）的技术演进，重点剖析其相对 GPT 路线的核心创新。

基于 LangChain ReAct 框架构建的扫地机器人 / 扫拖一体机器人智能客服系统，支持知识库问答、天气适配查询、用户个性化使用报告生成等功能，并通过中间件机制实现动态提示词切换与全链路日志监控。

基于 LangChain ReAct 框架构建的扫地机器人 / 扫拖一体机器人智能客服系统，支持知识库问答、天气适配查询、用户个性化使用报告生成等功能，并通过中间件机制实现动态提示词切换与全链路日志监控。