当使用 LLM 构建应用程序时，实践层面上很难第一次尝试就成功获得适合最终应用的 Prompt。但这并不重要，只要您有一个好的迭代过程来不断改进您的 Prompt，那么您就能够得到一个适合任务的 Prompt。虽然相比训练机器学习模型，在 Prompt 方面一次成功的几率可能会高一些，但正如上所说， Prompt 是否一次完善并不重要。最重要的是层层迭代为您的应用程序找到有效 Prompt 的过程

LLM非常擅长将输入转换成不同的格式，典型应用包括多语种文本翻译、拼写及语法纠正、语气调整、格式转换等。本章节将介绍如何使用编程的方式，调用API接口来实现“文本转换”功能。

在本章中，我们将搭建一个带评估的端到端问答系统，这个系统综合了之前多节课的内容，并加入了评估过程。检查输入，确认其是否能通过审核 API 的审核。如果通过了审核，我们将查找产品列表。如果找到了产品，我们将尝试查找它们的相关信息。我们使用模型回答用户提出的问题。我们将通过审核 API 对生成的答案进行审核。如果没有被标记为有害的，我们将把答案返回给用户。

Mem0· 中的内存作提供 CRUD（创建、读取、更新、删除）功能以及高级搜索功能。Python SDK：同步和异步客户端类REST API：所有作的 HTTP 端点批量作 ：高效批量处理多个存储器搜索作 ：向量相似性和基于元数据的筛选所有内存作都支持元数据、筛选、版本控制和历史记录跟踪。

工厂系统由四个主要工厂类组成，用于处理跨不同组件类型的提供程序的动态实例化。每个工厂在创建实例之前维护提供程序映射并处理配置验证。

工厂系统由四个主要工厂类组成，用于处理跨不同组件类型的提供程序的动态实例化。每个工厂在创建实例之前维护提供程序映射并处理配置验证。

核心内存作（ 添加 、 搜索 、 获取 、 更新 、 删除 ）在矢量存储、图形存储和历史跟踪之间进行协调。mem0 系统使用工厂模式创建提供者实例，支持多个 LLM 提供者、嵌入模型、向量数据库和图形数据库。图存储系统使用法学硕士驱动的工具从非结构化文本中提取结构化信息，并维护实体及其关系的知识图谱。添加作通过向量和图形存储系统同时处理消息，提取向量存储的事实和图形存储的实体/关系。搜索作为查询生

Mem0 的架构支持两种主要部署模型：托管平台服务和自托管开源解决方案，两者共享核心内存处理能力。

如果系统过度提取，当您的智能体需要搜索存储时，可能会导致记忆的精确度降低。“潜意识”记忆形成指的是在对话发生后（或在一段时间不活动后）提示 LLM 对话进行反思，从而发现模式和提取见解，而不会减慢即时互动或增加智能体工具选择决策的复杂性。在使用 LangMem 的有状态操作符或平台服务时，存储系统建立在 LangGraph 的存储原语之上，提供了一种灵活而强大的方式来组织和访问记忆。LLM 应用中

RAGFlow Python SDK 提供了一个编程接口，用于与 RAGFlow 的 HTTP API 端点进行交互。它提供了一个方便的 Python 客户端库，抽象了底层 REST API 调用，使开发人员能够将 RAGFlow 的知识库管理、文档处理和对话式 AI 功能集成到他们的 Python 应用程序中。SDK 提供与 API 的 JSON 响应格式匹配的结构化响应对象，包括正确处理分页、