dify、charrystudio,rag,embadding,lang chain,agent,finetuning,stf,langGrap,模型推理xInference,蒸馏，语言模型，向量模型，嵌入模型，reranker重排序。llm信息抽取任务，给案例，然后输出制定json格式。

模块人脑活动Attention​开会讨论（听别人说）FFN​回家自己琢磨（深度思考）残差连接​保留原始记忆LayerNorm​整理思绪。

本篇文章我们增强RAG的功能，不自己写检索知识库的功能了。而是使用ollama提供的embadding模型来读取知识库，使检索知识库的效果更好。总结就是：普通 RAG 靠"字面对得上"，Embedding RAG 靠"意思相近"；执行方式: npx tsx db/rebuild-embeddings.ts。然后重新执行 npx tsx db/seed.ts生成表结构。中详细的讲解了使用TF-IDF

待定。

总体一般，因为是本地电脑，性能一般，所以处理很慢，处理几K的文件或图片还行，视频都没试，如果是7、8百k的文件就报错了。接口要求传入的图片和文件是base64的，并且开头要把base64的标识给拿掉。先下一个能分析图片和文件的模型，这里就是qwen2.5vl:7b 了。这个没啥可说，就是调本地ollama的接口.然后先用postman 测一下吧，直接看图。下载后，执行命令安装、打包、启动命令就行了

前面在文章中介绍了多模态大模型，通过调用ollama接口解读文件和图片。这里我们开始做Agent,就是根据提示词操作电脑软件。

本篇文章我们增强RAG的功能，不自己写检索知识库的功能了。而是使用ollama提供的embadding模型来读取知识库，使检索知识库的效果更好。总结就是：普通 RAG 靠"字面对得上"，Embedding RAG 靠"意思相近"；执行方式: npx tsx db/rebuild-embeddings.ts。然后重新执行 npx tsx db/seed.ts生成表结构。中详细的讲解了使用TF-IDF

本篇文章我们增强RAG的功能，不自己写检索知识库的功能了。而是使用ollama提供的embadding模型来读取知识库，使检索知识库的效果更好。总结就是：普通 RAG 靠"字面对得上"，Embedding RAG 靠"意思相近"；执行方式: npx tsx db/rebuild-embeddings.ts。然后重新执行 npx tsx db/seed.ts生成表结构。中详细的讲解了使用TF-IDF

1·，运行原理看个流程图：解说就是：1，构建spark Application运行环境2，sparkcontext向资源管理器注册3，sparkContext向资源管理器申请运行Executor(执行器）4，资源管理器分配executor5,资源管理器启动executor6,executor发送心跳至资源管理器7，sparkContext构建DAG图8，...

作用：（1）健康检测：zkfc会周期性的向它监控的namenode（只有namenode才有zkfc进程，并且每个namenode各一个）发生健康探测命令，从而鉴定某个namenode是否处于正常工作状态，如果机器宕机，心跳失败，那么zkfc就会标记它处于不健康的状态；（2）会话管理：如果namenode是健康的，zkfc机会保持在zookeeper中保持一个打开的会话，如果namenode是ac