调用大模型 = 创建客户端 → 选模型 → 发消息 → 处理结果换服务商只需改base_url，代码其他部分不变API-KEY 用环境变量保护，不要写在代码里Ollama 可本地运行模型，改base_url为即可messages支持三种角色：system（设定规则）、user（提问）、assistant（回答）开启流式输出，历史消息填入messages实现上下文记忆。

LangChain：LLM应用开发框架，把模型、提示词、记忆、检索等组件“链接”在一起RAG = 检索 + LLM提示：解决大模型知识滞后和幻觉问题，三步走：索引→检索→生成向量是文本的数学身份证：把语义转成数字序列，用余弦相似度做语义匹配三类模型API：LLMs（文本生成）、聊天模型（对话）、嵌入模型（文本向量化）：提示词模板化，支持变量注入和链式调用。

给模型示例，五参数控制模板invoke动态填充历史Chain链式调用串联组件，输出自动转输入，都需是 Runnable 子类输出解析器转字符串，转字典构建关键：注意前后组件输入输出类型兼容。

普通函数不能直接用加入链，需要用包装（也可直接传入lambda，会自动转换）。# 函数接收AIMessage，返回dict# 直接传lambda也可以，自动转换两种入链方式：封装为对象再入链，或直接将函数入链自动转换。函数在链中接收上一个组件的输出，返回值传给下一个组件。可以在链中用自定义函数做数据格式转换、打印调试信息等。：将自定义函数转为Runnable实例入链，lambda可直接传入临时记忆

Document 是统一载体metadata，所有加载器返回此类型加载器统一接口load()一次性加载，懒加载适合大文件四种加载器：CSVLoader、JSONLoader（需jq）、TextLoader、PyPDFLoader文档分割器，控制chunk_size和向量存储三步走delete。

Chroma：轻量级持久化向量数据库，与接口一致，切换只需改创建代码RAG 流程：用户提问 → 向量检索 → 拼接参考资料 → 填入提示词 → 模型生成答案：把向量存储转为检索器对象，可直接加入 Chain：透传用户输入，配合检索器并行获取上下文数据流：retriever 输入 str 输出→ format_func 转为 str → prompt 接收 dict → 模型生成。

大模型存在知识滞后、缺乏专业领域知识、容易产生幻觉等问题。RAG（检索增强生成）通过外挂知识库，先检索相关资料再让模型回答，是解决这些问题的核心方案。：文件上传 → MD5去重检查 → 文本分割 → 向量化 → 存入Chroma。：上传文件时先计算内容MD5值，已存在则跳过，防止重复上传浪费向量库空间。：用户提问 → 向量检索 → 拼接提示词 → 模型生成 → 流式输出。把检索和生成串联起来，检索

一句话：Agent 是一种能自主规划、决策、执行任务的组件，核心是让大模型根据任务需求，选择并调用工具，完成单靠模型自身无法解决的复杂问题。没有Agent有Agent模型只能基于训练数据回答模型像“指挥官”，能思考步骤→选择工具→执行调用→根据结果调整策略核心特点：目标驱动、工具调用能力、自主决策与迭代。公式：Agent智能体 = 大语言模型（大脑）+ 工具集（手脚）+ 决策逻辑（思维）Agent

DQL完整语法条件查询=、>、<、!，组合用AND/OR聚合函数，NULL不参与分组WHERE分组前过滤，HAVING分组后过滤排序ASC升序默认，DESC降序分页LIMIT 起始索引, 条数，起始索引 = (页码-1) × 每页条数。

从第一行代码到项目跑通，最大的收获不是学会了某个技术点，而是从零设计一个完整系统的能力——怎么拆分模块、怎么命名、怎么迭代优化。一个命令行版的设备巡检管理系统，用于工厂或物业场景。私有属性 __purchase_price 传参时和名称改写机制冲突，学会了参数名和私有属性名要分开。InspectionRecord 的参数名从 result 改成 status，整个项目统一了命名。装饰器：操作日志系