工具使用，也叫函数调用。它的核心很简单：把一个外部能力描述给模型，让模型在需要时生成结构化调用请求。真正执行工具的，不是模型。而是你的业务系统。模型只负责三件事：• 判断是否需要工具。• 选择应该调用哪个工具。• 生成这个工具需要的参数。编排层负责后面的事：参数校验、权限判断、调用接口、处理异常、记录日志，再把结果回填给模型。这就是工具型 Agent 的底层逻辑。工具使用，是 Agent 从“聊天

环境配置虽然繁琐，但只要你按本文一步步来，绝对能一次成功！Conda隔离 + 依赖明确 + API Key安全，这三点是RAG项目的基石。遇到任何问题，欢迎在评论区留言，老K会一一解答。如果你觉得这篇文章有用，别忘了和转发给需要的朋友，咱们下期见！

本章我们实现了检索系统，能够根据用户问题从向量数据库中召回相关文档块。问题向量化 + 余弦相似度检索。ChromaDB的 query 方法及其参数（n_results, mmr_lambda, where）。检索结果的评估与调优技巧。现在，我们已经完成了RAG的前半程：文档处理 -> 向量化存储 -> 检索。下一章，我们将进入生成环节：把检索到的文档块和问题一起喂给DeepSeek API，让大模

如何用 RecursiveCharacterTextSplitter 智能切分文档。如何用 sentence-transformers 和 ChromaDB 将文本向量化并持久化。源码及依赖下载地址：https://pan.baidu.com/s/1CNntkxr226Xeo_jmnrCCkg?pwd=ek4t下一章，我们将进入检索与生成根据用户问题检索相关文档块。把检索结果和问题一起提交给Dee

至此，我们完成了一个功能完整的RAG智能客服系统。从环境配置、文档处理、向量检索，到DeepSeek集成和完整机器人封装，你已经掌握了构建企业级问答系统的全套技能。RAG的应用远不止客服，你可以用它搭建企业内部知识库问答、学术文献助手、甚至个人AI秘书。希望这一系列文章能成为你探索RAG世界的起点。完整源码+依赖下载：https://pan.baidu.com/s/1H9TUEqdPPybyjeh

上一节我们已经看到了工具定义的代码，这里再啰嗦两句，帮你彻底搞懂。pythontools = ["description": "获取指定城市的当前天气情况","description": "城市名称，如北京、上海"},"unit": {"description": "温度单位，c表示摄氏度，f表示华氏度"},name：函数名，你自己定义，后面代码里要用来匹配。description：描述这个函数是

python"api_key": "sk-你的deepseek-api-key", # 替换成真实Key"temperature": 0, # 客服场景要稳定，temperature设低至此，我们完成了一个真正可运行的企业级客服Multi-Agent系统。短短几十行代码，却实现了售前、售后、技术、质检四个角色的无缝协作。AutoGen的强大之处在于，它把复杂的对话调度和工具执行都封装好了，我们只需

在上篇中，我们拆解了Transformer LLM的基础流程：分词→嵌入→堆叠的Transformer块→语言建模头→采样输出。你也明白了自注意力如何让词元“窃窃私语”交换信息，前馈网络如何存储知识。但你可能要问：现在的LLM（比如GPT-4、Llama 3）动辄上千亿参数，处理超长上下文，如果还用原始的Transformer，早就卡死了。没错，学术界和工业界在原始Transformer上做了大量

简单说，文本分类就是给一段文本打上一个预定义的标签。“这部电影太棒了！” →正面“物流太慢了，差评” →负面在传统的机器学习时代，我们通常用TF-IDF提取特征，再训练一个分类器（如逻辑回归、SVM）。预训练语言模型。它们已经在海量数据上学会了语言的通用表示，我们只需要稍作调整，就能在具体任务上达到惊人的效果。表示模型（Representation Models）：如BERT、RoBERTa，它们

在前两节中，我们深入探讨了视觉Transformer如何将图像转化为“视觉词汇”，以及CLIP如何在共享向量空间中对齐图文语义。这些技术虽然强大，但它们本质上是模型——能够判断图像与文本是否匹配，但无法生成新的文本描述。那么，有没有一种模型，既能图像，又能像ChatGPT一样？答案是肯定的，这就是本节的主角——。