Ollama 这东西，我愿称之为“大模型界的Docker”，一行命令拉模型，一行命令起服务。我两个都试了，最后用了“微调+工具调用”混搭——微调让模型更主动问地点，工具调用保证数据实时。接下来是FastAPI，它就像个智能接线员，把用户的提问转给大模型，再把模型回话包装成API。：一开始让模型自己决定要不要查天气，结果它老是不按格式输出，后来加了few-shot样例才好。：一样的套路，准备好对应的

在 HagiCode 的实现中，我们将用户输入的多行热词文本解析为字符串列表，然后按照豆包 API 的要求格式化为 context_data 数组。毕竟，API 的限制就是 API 的限制，我们也没办法，只能遵守。作为一个多语言、多平台的复杂项目，HagiCode 需要处理各种技术术语的语音识别场景，这也推动了我们对热词功能的研究和实现。HotwordContexts 是可空的列表类型，Boost

下面的示例将两张表：一张表是部门表dept，该表存储在文件系统中，如：本地文件系统或者Hadoop HDFS中；（5）启动Spark交互式命令行工具spark-shell，并同时加载TiSpark的包。（1）进入Spark的conf目录，生成spark-defaults.conf文件。（5）通过TiSpark关联TiDB数据库中的员工表emp，执行多表查询。（3）将部门表加载到Spark的Data

把一个RAG系统从Demo做到生产，中间要解决5个问题。最初的版本就是标准版：全量文档 embedding，向量检索，LLM生成。演示没出过问题，但是翻车发生在数据留存政策的时候，因为系统召回了两段2废弃条款和一段聊"员工留存"的HR文档，然后把这三段内容揉成了一个看似完整实则全错的回答。这不是检索的问题，也不纯粹是模型的问题。从分块方式到搜索策略，从排序逻辑到异常兜底，每一层都藏着独立的故障模式

我们做自己做代码助手目标不是在补全速度上跟Copilot较劲，而是在于理解层面的提升。比如说内部文档、编码规范、那些只有老员工才知道的遗留模块都可以喂进去。从一个靠猜的AI，变成一个真正懂你代码库的AI。

编排框架在复杂系统中的价值已经被反复验证：Kubernetes 之于容器、Airflow 之于数据管道、Temporal 之于通用工作流。LangGraph 将同样的理念带入多智能体 AI 领域，提供了 LLM 感知的编排能力。

ChatGPT 发布之后，AI 智能体的概念就一直牵动着整个行业的想象力。它描绘的场景很诱人：给 AI 系统一个目标，让它自行拆解问题、调用工具、收集信息，最终综合出结果。围绕这个概念的框架生态已经相当拥挤了：LangChain、CrewAI、AutoGen、Semantic Kernel、Agent Framework……新框架层出不穷，个个声称能简化智能应用的构建。但大多数还停留在 hello

ChatGPT 发布之后，AI 智能体的概念就一直牵动着整个行业的想象力。它描绘的场景很诱人：给 AI 系统一个目标，让它自行拆解问题、调用工具、收集信息，最终综合出结果。围绕这个概念的框架生态已经相当拥挤了：LangChain、CrewAI、AutoGen、Semantic Kernel、Agent Framework……新框架层出不穷，个个声称能简化智能应用的构建。但大多数还停留在 hello

定义一个显式schema（比如通过JSON Schema或类型化数据类）来强制包含关键字段，如。

定义一个显式schema（比如通过JSON Schema或类型化数据类）来强制包含关键字段，如。