摘要：Langfuse是一个开源LLM应用可观测性平台，提供追踪、提示工程、评估和数据集管理功能。安装时需注意Python版本兼容性问题（推荐1.22.7）。本文演示了如何通过Ollama的qwen3:8b模型运行query并追踪数据，包括环境配置、依赖安装和代码实现，最终可在Langfuse界面查看详细查询信息。关键步骤涉及API密钥设置、OpenAI客户端配置和查询执行。

摘要：本文介绍了一个基于AI的PDF简历解析系统构建方案。该系统利用Ollama平台的大语言模型（如Llama3.2或Qwen2.5）和LangChain框架，通过预设的Prompt模板提取简历中的关键信息（包括联系方式、教育背景、工作经历等），并输出结构化JSON数据。系统采用Streamlit构建Web界面，支持上传PDF简历文件，自动解析内容并验证JSON格式的正确性。方案包含环境配置、Ag

本文介绍了一个基于LangChain框架的数据库查询Agent系统，能够通过自然语言问题自动生成并执行SQL查询。系统主要包含五大功能模块：SQL生成、执行、验证、修正和数据库模式获取。实现步骤包括：1)搭建SQLite数据库环境；2)集成Ollama作为LLM引擎；3)开发专用工具链处理SQL全流程；4)设计系统提示模板规范工作流程；5)封装统一查询接口。测试表明，该系统能正确理解"发

大模型量化技术：效率与性能的平衡艺术 大语言模型规模扩张带来了巨大的计算挑战，量化技术成为解决内存占用、推理速度和部署门槛三大痛点的关键手段。本文系统阐述了量化技术的核心原理与实践方法：1）区分训练后量化(PTQ)与量化感知训练(QAT)两种范式；2）详解FP32到INT8的转换机制与校准策略；3）对比均匀/非均匀量化方法及混合精度等精度恢复技术；4）提供主流工具生态与Llama3量化实战示例。研

FunctionCalling是一种让AI模型通过结构化请求调用外部函数的机制，使大型语言模型（LLM）能与工具、API或代码交互。它通过定义函数描述、模型推理生成结构化请求、外部执行和结果整合四个步骤工作，扩展了LLM的实时数据获取、系统交互等能力，确保输出的确定性和可靠性。开发者可使用@tool装饰器定义函数，将其与LLM绑定，并通过消息传递模拟Agent选择和执行函数。LangChain等工

文本分块（Chunk）是将长文本切分为逻辑连贯的短文本单元的技术，主要解决大语言模型（LLM）的记忆限制问题。分块的关键参数包括块大小（通常256-2048 tokens）、重叠比例（10-20%）和分隔符（如段落标记）。分块的作用包括避免信息截断、提高计算效率（注意力机制计算量随文本长度平方增长）和增强匹配精度。常见分块策略包含固定长度分块（简单但可能切断语义）、语义分块（保持逻辑完整但实现复杂

文本分块（Chunk）是将长文本切分为逻辑连贯的短文本单元的技术，主要解决大语言模型（LLM）的记忆限制问题。分块的关键参数包括块大小（通常256-2048 tokens）、重叠比例（10-20%）和分隔符（如段落标记）。分块的作用包括避免信息截断、提高计算效率（注意力机制计算量随文本长度平方增长）和增强匹配精度。常见分块策略包含固定长度分块（简单但可能切断语义）、语义分块（保持逻辑完整但实现复杂

有无标签？有标签且目标是分类：优先考虑LDA(如果数据大致满足其假设)。无标签：继续判断。主要目标是什么？快速预处理/压缩/去噪PCA通常是首选起点。数据可视化t-SNE(专注局部簇) 或UMAP(平衡局部全局)。UMAP是更可行的选择。MDS(尤其非度量)。LLE(但UMAP通常更优)。降维后特征用于下游任务(聚类/分类)PCAUMAP是常见选择。LDA仅适用于有监督分类。数据结构？线性结构明显

虽然理论上所有满足Mercer条件的函数都可以作为核函数，但在实际应用中，选择核函数时还需要考虑其他因素，如计算效率、过拟合的风险以及特定问题的数据特性。二是采用交叉验证(Cross-Validation)方法，在选取核函数时，分别试用不同的核函数，通过仿真实验，在相同数据条件下对比分析，归纳误差最小的核函数就是最好的核函数。线性核函数可以直接使用，主要用于线性可分的情形。,函数 K(x,y)=f

不论神经网络的层数有多少，任何线性函数的线性组合仍然是线性的，在一张纸上证明它是正确的并不难。使用非线性激活函数,可以将线性作用变成非线性作用，在输入输出之间生成非线性映射，使神经网络更加复杂，可以表示输人输出之间非线性的复杂的任意函数映射，可以描述复杂的表单数据，甚至可以具有学习复杂事物的能力。激活函数(Activation Function)又称激励函数，是在人工神经网络(Artifcial