call()构建 Prompt（包含历史对话、system prompt、可用工具等）调用大模型（可能是 OpenAI / DashScope / 其他 LLM 提供方）大模型返回响应，封装成 ChatResponse，包括：①AI 生成的文本，②工具调用请求（如果有）根据 think 阶段大模型返回的工具调用请求真正去执行这些工具（你定义的业务逻辑、函数、API 调用等）把工具执行结果封装起来，

【代码】图解机器学习第四部分第十三章——与10近邻相似度对应的拉普拉斯特征映射图。

【代码】图解机器学习第十七章监督降维——局部Fisher判别分析。

opencv 环境配置

【代码】图解机器学习第二部分第四章——带约束条件的最小二乘学习法。

【代码】图解机器学习第四部分第十二章——局部异常因子检测。

【代码】图解机器学习第二部分第三章——使用随机梯度下降算法对高斯核模型进行最小二乘学习法。

【代码】统计机器学习第十六章非参数估计——通过交叉检验选择的K最近邻分类器。

添加文档到向量库从向量库删除文档基于查询进行相似度搜索获取原生客户端（用于特定实现的高级操作）

一般情况下，更建议使用 MessageChatMemoryAdvisor。更符合大多数现代 LLM 的对话模型设计，能更好地保持上下文连贯性ChatClient 就是 Spring AI 调用大模型的客户端Advisors 是用于增强 AI 调用能力的拦截器Chat Memory Advisor 是对话记忆拦截器Chat Memory 是对话记忆拦截器依赖的对话存储。