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

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

This is my reading notes of 《Developing Apps with GPT-4 and ChatGPT》.In this section, we will introduce the evolution of the OpenAI GPT medels from GPT-1 to GPT-4.In mid-2018, OpenAI published a paper

介绍langchain中RAG索引优化的MultiVectorRetriever方法

VS2022+CUDA v12.0配置踩坑报错MSB372+C1083