定义可用工具，在这里即指定义Function。需要以 JSON 格式描述函数，包括函数名、描述和参数。tools = ["description": "获取指定城市的当前天气信息","city": {"description": "城市名称，例如：北京、上海"},"unit": {"description": "温度单位，默认为摄氏度"},

fewshot示例通常指的是单个示例，用于展示输入输出对，帮助模型理解任务格式或风格。在RAG中向量记忆通常指将文档或知识片段向量化后存储，用于检索相关上下文。那fewshot示例是否适合存入向量数据库作为检索对象，即当作向量记忆存储在RAG中？绝大多数场景下few-shot 示例不应该存在向量记忆（RAG）里。它们属于Prompt 模板/系统指令，不属于用户/业务知识库。

Deepseek_MCP是一个演示mcp agent的框架，基于Flask开发，支持在浏览器采用交互方式与deepseek及agent对话。需要注册外部Deepseek api，不支持本地ollama llm。这里用ollma替代对原始deepseek ai的调用，相关代码修改已同步到fork后的git仓库中。假设本地已经安装ollama环境，具体安装方法参考。mac算力弱，所以使用qwen3:4

虽然提示词中可以通过json格式示例方式，指定模型的结构话输出。然而这种方式比较容易出错，轻微的输出不规范，就会导致json解析失败。目前使用OpenAI API进行JSON结构化输出，主要有两种推荐的方法：其中，Structured Outputs是更新、更可靠的方式，能保证模型输出符合定义的JSON Schema。这时尝试基于网络资料，给出具体的实现方法和代码示例。

这里首先基于之前讨论的内容，对财报的风险披露情况进行汇总分析。提示词示例如下，caibao_txt_content指海光信息2024年的财报的txt内容。你是一位资深的财务分析师。请从以下公司年度报告文本片段中，提取该公司在2024年度的“风险揭示”的内容，并进行汇总整理。公司名称： 海光信息文本内容：---输出示例如下好的，作为一名资深的财务分析师，我已仔细审阅了您提供的海光信息2024年年度报

在实际去重应用场景中，我们可能经常需要判断某个问题检查是否被记录。问题库规模可能很大，比如几千条记录，直接人工判断不太现实。这里基于网络资料，尝试直接用LLM以及基于相似性判断，探索高效准确的去重方案。

OpenClaw(龙虾)是近期最火的基于LLM的大模型系统，适应于各种桌面、移动终端。由于是学习，所以不讨论OpenClaw设计理念，而是通过一系列操作让OpenClaw跑起来。过程如下，涉及mac系统下如何快速下载安装OpenClaw、配置LLM，如何获取web访问链接等。

之前探索了LLM长上下文和数值类有效输出的关系这里选用 苹果公司 2023 财年 10-K 年报(约 90 页，约 70K tokens)作为长上下文测试文本。任务包括：1）直接数值提取：从文本中找出指定财务数据（如总营收、净利润）。2）基于提取值的计算：如计算“研发费用占总营收的比例”。3）结构化输出：要求模型以 JSON 格式返回结果，便于程序解析。将通过两种方式处理长文本：1）一次性传入，如

对数值计数类任务，有效性体现为数值上精确，模型不仅要找到信息，还要对找到的信息进行无损数值聚合，如求和、计数，任何遗漏或重复都会导致结果错误。长上下文虽然能喂给LLM更多的基础数据，然而有可能会带来注意力稀释，以及数值精度稀释。因为长文本中的数字更容易被误读或遗漏，长度增加，错误率非线性上升。单纯上下文窗口扩大，如果不配合强制结构化和代码解释器使用，对于提升统计准确性帮助有限。这里基于网络资料，尝

OpenClaw(龙虾)是近期最火的基于LLM的大模型系统，适应于各种桌面、移动终端。由于是学习，所以不讨论OpenClaw设计理念，而是通过一系列操作让OpenClaw跑起来。过程如下，涉及mac系统下如何快速下载安装OpenClaw、配置LLM，如何获取web访问链接等。