本小节我们学习了如何在vector store中存储embeddings，并且使用了PostgreSQL数据库。通过docker连接数据库，还通过插件PGVector这个为 PostgreSQL 数据库设计的向量（embedding）存储与相似度搜索插件，使得你可以在 PostgreSQL 中直接存储向量，并进行高效的相似度检索（vector similarity search）。最后还使用了免费

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

通过本文，我们深入探讨了 Python 异常处理的各个方面。

举例：你想让 Claude 能操作你的 Notion，那你得自己写 Notion API 的封装代码、定义工具 schema、处理认证、塞进 API 请求里。：tool calling 是 LLM 层面的协议（“模型如何表达想用工具”），MCP 是工具层面的协议（“工具如何被分发和调用”）。：MCP 是给模型加新工具（新能力），Skill 是教模型怎么用已有工具完成特定任务（操作手册）。真正的执行

举例：你想让 Claude 能操作你的 Notion，那你得自己写 Notion API 的封装代码、定义工具 schema、处理认证、塞进 API 请求里。：tool calling 是 LLM 层面的协议（“模型如何表达想用工具”），MCP 是工具层面的协议（“工具如何被分发和调用”）。：MCP 是给模型加新工具（新能力），Skill 是教模型怎么用已有工具完成特定任务（操作手册）。真正的执行

介绍两种方法：RAPTOR：用于树状检索的递归抽象处理，ColBERT：优化嵌入，这两种方法都更适用于多个文档检索的情况，尤其是第二个ColBERT方法。

本文将使用Gemini实现《Learning Langchain》中的PromptTemplate 实现方式，替代书中的调用openai API，白嫖太香了！

java中指针的简单用法

本文系统梳理了Prompt Engineering的发展脉络，从传统prompt engineering到context engineering

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