这张图最精髓的地方在于中间那个圆柱体——向量数据库。它左边连着用户的查询。它右边连着知识库的存储。它是连接“用户需求”和“私有知识”的桥梁，通过向量化（Embedder）让两者在数学空间中相遇，最后由 LLM 完成漂亮的各种语言输出。

本文分析了三种主流向量数据库的特点与适用场景。向量数据库专为高维向量数据设计，支持高效存储、索引和相似度检索。Chroma定位轻量级Python优先，适合原型开发和教学；Weaviate强调混合搜索功能，适用于高质量语义检索；Qdrant以性能优先，适合高并发生产环境。选型建议：快速原型选Chroma，复杂搜索选Weaviate，高性能需求选Qdrant。不同场景下各系统在搜索范式、并发能力和运维

【摘要】在低内存服务器（1-2GB）使用VSCode打开.py文件时，Pylance插件的内存消耗会触发Linux的OOMKiller机制导致连接中断。通过free-h或top命令可验证内存不足问题。解决方案是创建2GB的Swap虚拟内存：依次执行dd创建交换文件、设置权限、格式化并启用Swap，最后配置开机自动挂载。该方法能有效解决内存不足导致的连接中断问题，使小内存服务器稳定运行VSCode。

摘要：LangChain是一个开源框架，旨在简化基于大型语言模型(LLM)的应用程序开发。其核心组件包括模型交互接口、数据连接、处理链、记忆存储、代理工具和回调机制，支持Python和JavaScript。最新v0.3版本改进了架构设计，增强了可观察性和流式处理能力，提供700+技术集成。LangChain生态系统包含核心库、CLI工具、部署服务和开发者平台，支持从开发到部署的全流程。该框架特别适

以为是把 API Key 嵌进去，或者是简单的插入操作。：Embedding 是将**人类语言（文字）计算机语言（向量/数字列表）**的过程。计算机看不懂“苹果”，但 Embedding 模型把它变成。计算机通过计算两个向量的**距离（余弦相似度）**来判断意思像不像。：入库（Indexing）和查询（Query）必须使用Embedding 模型，否则就像一个说英语一个说日语，完全鸡同鸭讲。

定义：不是简单直接让AI一步到位（直上直下），而是将大任务拆解。Agentic Workflow（智能体工作流）：包含“思考-研究-输出-修改”的循环迭代（Circular iterative process）过程。最终形态：完全独立弄清楚步骤、挑选工具的 Truly autonomous AI agent（真正自主的智能体）。

MCP是由Anthropic提出的AI应用连接标准协议，类似AI界的USB接口，旨在统一LLM与数据源/工具的交互方式。其核心架构包含Host(主程序)、Client(连接插件)和Server(数据接口)三个角色，通过Tools(执行函数)、Resources(只读数据)和PromptTemplates(结构化指令)三类资产提供服务。支持本地Stdio和远程HTTP流式传输两种通信方式，开发者可通

本文解析Transformer模型的核心机制：1）自注意力与多头机制通过多维度分解实现语义解耦，8个独立头分别捕捉指代、修饰等不同特征；2）编码器采用"注意力+残差+归一化+FFN"闭环结构，经N次堆叠输出全局语义向量；3）解码器采用自回归生成方式，通过掩码注意力避免信息泄露，并利用交叉注意力实现输入输出对齐；4）模型可裁剪为纯解码器架构（如GPT），广泛应用于翻译、问答等场景

摘要： "Skill"是AI提示词管理的新机制，旨在解决传统提示词存在的Token浪费和AI理解干扰问题。其核心结构是一个包含SKILL.md文件的文件夹，通过元数据（Metadata）实现高效匹配。运行机制分为三步：发现（匹配需求）、激活（按需加载完整提示词）、执行（读取文件或运行脚本）。Skill支持文件引用、脚本执行及AI动态生成代码，显著提升灵活性和管理效率。本质是通过

摘要：RAGAS是针对RAG系统的评估框架，通过LLM-as-a-Judge方法将评估拆解为生成质量（Faithfulness和AnswerRelevance）和检索质量（ContextRelevance/Precision和ContextRecall）两大维度。其创新点包括：1）无需标准答案的评估设计；2）逆向工程计算回答相关性；3）支持冷启动阶段的测试集自动生成。落地时需注意API成本控制、评