本文是一篇容器化环境部署备忘录，主要记录使用Docker部署Milvus向量数据库和Redis的实践。内容包括：1）Docker基础概念及Milvus、Redis简介；2）通过docker-compose.yml文件编排多容器服务（包括端口映射、数据持久化等配置）；3）Windows系统需先安装WSL以支持Linux环境；4）提供Python验证代码和可视化工具推荐（Attu、TinyRDM）；5

本文系统梳理了语言模型的发展历程与技术特点。首先介绍了基于规则统计的N-gram模型及其局限性，随后阐述神经网络模型（RNN/LSTM）在语义表示上的进步但仍存在长距离依赖问题。重点分析了Transformer架构突破性进展，包括BERT（双向编码）、GPT（自回归生成）和T5（序列转换）三大主流架构的特点与应用场景。文章还分类讨论了大模型的核心能力类型（生成式/理解/判别等）及不同精度格式（FP

模型压缩（量化、剪枝、低秩因式分解、蒸馏）概念与代码原理实现。重点举例：模型蒸馏案例，代码思路及每一个文件步骤详细分解。

本文介绍了如何在本地环境安装配置OpenClaw与Ollama的详细步骤。首先需要安装Docker Desktop和OpenClaw，并配置Node.js 20版本。然后启动Ollama服务并拉取qwen2.5:7b模型，为OpenClaw配置本地provider。通过设置默认模型、启动网关和测试agent，最终可在浏览器中通过Control UI与本地模型进行对话。整个过程包含多个终端操作步骤，

LangGraph 实战：FastAPI 实现 Agent 对话中断与恢复（Human-in-the-Loop） 核心摘要（140字）： 本文通过 FastAPI + LangGraph 实现 Agent 流程的人工干预机制。当 Agent 执行敏感操作（如发邮件）时，通过 interrupt() 暂停流程并返回审批请求，前端展示确认界面。用户决策后，通过 Command(resume=...)

LangSmith 监听 RAG 和 Agent 项目的方法对比 本文介绍了在不同技术栈中集成 LangSmith 监控功能的方法： 普通 Python 项目 使用 @traceable 装饰器和 wrap_openai 手动标记需要跟踪的函数 适合已有项目逐步接入，但复杂业务流程需要较多手动标记 LangChain 项目 通过环境变量自动追踪所有 Runnable、Agent 和 Tool 可利

OpenClaw模型口径问题复盘摘要：同一时段出现文本与session_status两种不同模型回复，原因是历史回答方式问题与多agent配置差异叠加。根因分析显示部分回答未实时读取状态，且多个bot绑定不同agent。修复措施包括强制调用session_status获取真实模型、仅返回Model行、禁止猜测其他bot状态，并将规则统一维护在AGENTS.md中。后续建议以session_stat

本文总结了Agent项目中常见的工具调用相关概念和机制： Function Calling/Tool Calling：是模型调用外部能力的机制，Function Calling更偏底层API调用，Tool Calling更强调Agent场景下的工具调用行为。 Tools：Agent可调用的能力集合，包括函数、API、数据库等，其描述（名称、用途、参数）对正确调用至关重要。 MCP Tool：通过M

本文总结了Agent项目中常见的工具调用相关概念和机制： Function Calling/Tool Calling：是模型调用外部能力的机制，Function Calling更偏底层API调用，Tool Calling更强调Agent场景下的工具调用行为。 Tools：Agent可调用的能力集合，包括函数、API、数据库等，其描述（名称、用途、参数）对正确调用至关重要。 MCP Tool：通过M

本文总结了Agent项目中常见的工具调用相关概念和机制： Function Calling/Tool Calling：是模型调用外部能力的机制，Function Calling更偏底层API调用，Tool Calling更强调Agent场景下的工具调用行为。 Tools：Agent可调用的能力集合，包括函数、API、数据库等，其描述（名称、用途、参数）对正确调用至关重要。 MCP Tool：通过M