很多初学者直接上手 LangChain，会被它眼花缭乱的类名（Classes）和链条（Chains）搞晕，因为他们不知道底层在干嘛。但你不一样，当你看到 LangChain 的源码时，你会心一笑：“这不就是我前两天写的那个while循环和try-except嘛！

本文介绍了语义切片（Semantic Chunking）技术及其优势。传统按字符数硬切的方法会导致语义断裂，而语义切片通过分析句子间的语义相似度来智能划分文本。其核心流程包括：句子拆分、向量化、相似度计算和断点识别。文中推荐使用BGE系列模型进行中文向量化，并展示了RAG系统中语义切片的应用场景。最后提供了一个Python代码示例，演示如何利用HuggingFaceEmbeddings和Seman

本文详细解析了基于LangGraph框架构建的紫微斗数AI Agent系统。该系统采用模块化设计，核心组件包括记忆系统（Chroma向量数据库）、状态管理（TypedDict）、节点化工作流（StateGraph）和大模型集成（本地Qwen）。工作流程包含记忆检索、大脑思考、记忆存储三个核心节点，形成完整对话闭环。技术亮点包括语义记忆检索、自动消息管理、流式执行和设备自适应。系统优势在于模块化设计

摘要：本文系统介绍了大语言模型（LLM）从底层训练到应用扩展的完整技术栈，通过四个关键概念SFT、RLHF、RAG和MCP展开。SFT（监督微调）让通用模型成为专业人才；RLHF/DPO（偏好对齐）优化模型价值观；RAG（检索增强）赋予模型实时知识获取能力；MCP（模型上下文协议）实现外部工具调用。文章详细解析了预训练、微调、对齐等技术原理，并展示了技术组合应用流程，完整呈现了LLM从基础认知到智

本文解析了AI Agent中ReAct工作流的核心机制。ReAct通过"思考-行动-观察"的循环（T-A-O），让大模型从被动应答升级为主动调用工具的智能体。文章详细介绍了其三步流程：1）模型思考并生成行动指令；2）系统拦截指令并执行外部工具调用；3）将执行结果反馈给模型进行下一步决策。关键实现技巧包括：使用stop参数控制生成、JSON异常捕获与自愈机制、循环次数限制防止死循

本文详细解析了基于LangGraph框架构建的紫微斗数AI Agent系统。该系统采用模块化设计，核心组件包括记忆系统（Chroma向量数据库）、状态管理（TypedDict）、节点化工作流（StateGraph）和大模型集成（本地Qwen）。工作流程包含记忆检索、大脑思考、记忆存储三个核心节点，形成完整对话闭环。技术亮点包括语义记忆检索、自动消息管理、流式执行和设备自适应。系统优势在于模块化设计

本文提出了一种工业级的两步法数据对齐方案，用于解决机器人模仿学习中ROS 2异步数据转换时的"因果撕裂"和"未来数据泄露"问题。通过"ZOH网格吸附+动作因果锚定"策略，先严格向后查找动作确保不借用未来数据，再以真实动作时间为锚点对齐状态和图像数据。该方案通过两个基础搜索工具（find_nearest_index和find_previou

本文解析了AI Agent中ReAct工作流的核心机制。ReAct通过"思考-行动-观察"的循环（T-A-O），让大模型从被动应答升级为主动调用工具的智能体。文章详细介绍了其三步流程：1）模型思考并生成行动指令；2）系统拦截指令并执行外部工具调用；3）将执行结果反馈给模型进行下一步决策。关键实现技巧包括：使用stop参数控制生成、JSON异常捕获与自愈机制、循环次数限制防止死循

摘要 本文介绍了LLM模型的安装与调用方式。首先提到通过腾讯Qclaw实现自动化安装和问题解决。随后详细展示了一个本地调用脚本，支持Qwen 2.5 7B、Hermes 3 8B等模型，使用llama.cpp在RTX 5060 GPU上运行。脚本包含模型配置、格式构建、核心调用等功能模块，支持对话历史、温度调节等参数设置，并提供了性能统计和日志过滤功能。该方案实现了本地大语言模型的高效调用，适合中

本文详细介绍了RAG系统的四大核心技术流程：向量化、持久化、双路查询和重排序。首先采用BAAI/bge-small-zh-v1.5模型进行文本向量化转换，实现语义理解；然后通过Chroma数据库实现向量数据的持久化存储；接着提出创新的双路查询机制，结合向量检索和BM25检索的优势；最后利用BAAI/bge-reranker-base模型对结果进行重排序优化。文章包含完整的代码实现和技术要点分析，为