本文是前端学习笔记系列第三篇，重点梳理 CSS 声明块中的常用属性。文章从 CSS 三大特性（层叠、继承、优先级）入手，系统讲解了字体属性（font）、文本属性（text）、列表属性（list）、表格属性（table）、背景属性（background）和鼠标样式（cursor），并总结了长度单位（px、em、rem、%）与颜色表示（RGB、HEX、HSL）的区别与使用场景。文中通过表格对比、代码示

通过这篇笔记，我们从计算机网络出发，理清了 AI 应用通信的底层逻辑；然后深入对比了三种大模型部署方式，并实战了官方 API 调用和本地 Ollama 部署；最后理解了会话记忆的真相“历史消息滚雪球”，并学会了用 Python 优雅地调用模型。

本文笔记围绕RAG的文本嵌入与向量存储环节。讲解如何将文档转为语义向量并存入向量数据库进行高效相似检索。演示了Chroma等向量库的统一接口用法，并详解了如何通过as_retriever()将检索器融入LCEL链，结合数据透传与格式化，串联起完整的检索增强生成流程。

本文梳理 LangChain 模型调用流程：从环境搭建入手，指出社区包已淘汰，详解统一入口 init_chat_model() 自动分发厂商包、读取对应环境变量、设置接口地址，厘清安装与密钥配置的疑惑。接着介绍 ChatModel 的 invoke/stream/batch 三种调用方式，强调输入格式（字符串、消息列表）与调用方式正交，可任意组合。对比原生 SDK，展示简化封装，并演示 Ollam

这篇笔记系统梳理了 LangChain RAG 流程的基石环节：从 RAG 解决的实际痛点出发，逐步拆解数据在管道中的流转形态。核心围绕 Document 对象展开，它是所有文本在 Loader、Splitter、Embedding 等环节间传递的统一载体。文章详解了各类 Loader 如何将 PDF、网页、CSV、JSON 等异构数据转换为标准 Document，再通过 RecursiveCha

本博客是 LangChain 的 | 管道 Chain笔记，核心是掌握两条条件：组件必须是 Runnable 子类，且上游输出类型必须与下游输入匹配。本文从 Prompt 出发，逐一剖析 StringPromptValue 和 ChatPromptValue 的区别，详解 Model 的输入多态与 AIMessage 的内部结构。进而引出 StrOutputParser 和 JsonOutputP

本文系统梳理了 LangChain 的 Prompt 模块，核心是将提示词从硬编码字符串升级为可复用的“填空题”模板。从最基础的 PromptTemplate 讲起，引出专为现代聊天模型设计的 ChatPromptTemplate。接着介绍了通过 FewShotChatMessagePromptTemplate 嵌入输入输出范例来约束模型格式。最后将模板与模型、输出解析器通过 LCEL 管道（|

本文梳理 LangChain 模型调用流程：从环境搭建入手，指出社区包已淘汰，详解统一入口 init_chat_model() 自动分发厂商包、读取对应环境变量、设置接口地址，厘清安装与密钥配置的疑惑。接着介绍 ChatModel 的 invoke/stream/batch 三种调用方式，强调输入格式（字符串、消息列表）与调用方式正交，可任意组合。对比原生 SDK，展示简化封装，并演示 Ollam

提示词工程是通过有技巧地设计与优化指令，引导大模型输出符合预期内容的系统工程方法。其核心可归纳为六个要素：设定角色与能力、明确核心任务、按步骤拆解复杂任务、指定风格与语气、约束输出格式、提供输入输出示例。这六要素不必每次全部使用，但能显著降低模型理解成本。提示词优化背后的两种基本思维是Zero-shot和Few-shot，后者即通过提供示例让模型模仿，可大幅提升输出稳定性。实战中，调用大模型的代码

提示词工程是通过有技巧地设计与优化指令，引导大模型输出符合预期内容的系统工程方法。其核心可归纳为六个要素：设定角色与能力、明确核心任务、按步骤拆解复杂任务、指定风格与语气、约束输出格式、提供输入输出示例。这六要素不必每次全部使用，但能显著降低模型理解成本。提示词优化背后的两种基本思维是Zero-shot和Few-shot，后者即通过提供示例让模型模仿，可大幅提升输出稳定性。实战中，调用大模型的代码