摘要：ReAct是一种结合推理（Reasoning）与行动（Acting）的大语言模型提示方法，由Google于2022年提出。它让模型不仅能分步思考，还能主动调用工具（如API）获取外部信息，形成"思考-行动-观察-回答"的闭环流程。与传统Chain-of-Thought（CoT）单纯推理不同，ReAct强调动态交互能力，适用于需要实时数据查询、多步骤任务等场景，显著提升了模

《Chain of Thought Monitorability》论文解读

本文介绍一些大模型提示词小技巧

jupyter中切换虚拟环境，查看anaconda中有哪些虚拟环境切换并且查看是否已经有ipykernel，下载langchain

cs336 assignment1 前期环境配置

本文介绍一些大模型提示词小技巧

如果仍然报相同错误，说明你的环境里仍然存在另一个有冲突的 Solution.class。请在工程目录下（尤其是 bin、out、target 等编译输出文件夹）搜索并删除所有可能的旧版本，然后重新编译运行。原因是因为在不同的.java程序中使用了同名的Solution类，导致编译器和运行时选择的类不一致。你可以在bin文件夹中删除旧的 .class 文件。

摘要： Agent 的核心是“能行动”，涉及决策能力、可选方案和环境信息。基于 LLM 的 Agent 应用通过 Tool Calling（提供可选工具）和 Chain-of-Thought（分步推理）实现决策。LangGraph 是 LangChain 团队开发的框架，通过有向图（节点=执行单元，边=数据流/条件）结构化 Agent 流程，支持循环、分支等复杂逻辑。示例展示了搜索和计算工具的调用

本文介绍了AI应用程序中RAG系统的三个核心阶段和优化策略。RAG流程包括索引、检索和生成三个阶段，通过预处理数据、检索相关文档并生成最终输出。为了构建更强大的RAG系统，文章提出了五种优化策略：查询转换（优化用户提问）、路由选择（匹配最佳数据源）、查询构建（转化为数据库指令）、多模态索引（处理复杂数据）和后处理（整合与过滤结果）。这些策略形成了一个完整的优化闭环，从输入处理到输出优化，全面提升R

《Chain of Thought Monitorability》论文解读