上面这段代码会重复测试两次，第1次传递的 query 值为 None，并执行代码；”，并根据参数的不同判断测试结果，以检测代码是否正常运行。在 Pytest 中，fixture 是一种用于为测试函数提供预设数据或设置测试环境的机制。简单来说，可以使用 fixture 来为测试提供预设数据和设置测试环境的功能。文件，则使用的是最接近的 fixture。定义好 fixture 后，在测试函数中，可以使

高性能文件读写多端口服务（默认 9000 为 API 端口，9001 为控制台 / 管理端口）兼容 S3 API，可直接用 S3 SDK 对接支持本地文件系统存储，无需额外数据库。

Dockerfile是用来自动化创建Docker镜像的脚本文件，通过编写Dockerfile文件，可以自动化构建过程，减少手动操作，确保环境一致性，在Dockerfile中常见的命令有：FROM(指定基础镜像)、RUN(执行命令)、COPY/ADD(拷贝文件)、WORKDIR(设置工作目录)、CMD/ENTRYPOINT(指定容器启动时的命令)、EXPOSE(指定暴露的端口)、ENV(设置环境变量

如果就是想要 [1, 2, 3, 4] 呢？salary: int # 这是一个整数# 注释说明 cn_salary 不仅仅是一个int类型数据，数据还必须比27470大cn_salary = 22000 # 但是实际使用时赋值小于的数也不会报错，这是因为这仅仅是一个注释不过这样声明有一个好处，在程序中，我们可以通过 .metadata。

LangGraph 是一个构建具有 状态、多角色 应用程序的库，用于创建智能体和多智能体工作流，与其他 LLM 框架相比，LangGraph 提供了以下核心优势：循环、可控制性和持久性。LangGraph 允许定义设计循环、条件判断的流程，这对于高级 Agent 非常重要，这和传统的有向无环图（DAG）解决方案区分开。

小时候我们都玩过乐高积木，通过堆砌各种颜色和形状的积木，我们可以构建出城堡、飞机、甚至整个城市。现在，想象一下，如果有一个数字世界的乐高，我们可以用这样的 “积木” 来构建智能程序，这些程序能够阅读、理解和撰写文本，与我们对话，甚至自主执行特定的任务。提示词、工具、大语言模型就是一个一个积木块，等待着我们来发掘和搭建，而 LangChain 就是那个让我们将这些语言模型乐高积木组合成有趣应用的工具

多查询重写 ：实现简单，使用参数较小的模型也可以完成对查询的转换（不涉及回答），因为多查询可以并行检索，所以性能较高，但是在合并的时候，没有考虑到不同文档的权重，仅仅按照顺序进行合并，会让某些高权重的文档在使用时可能被剔除。多查询融合 ：在 多查询重写 的基础上引入了 RRF 算法，对不同查询检索到的文档列表的每一篇文档计算对应的权重，将排名靠前亦或者是出现次数更多的文档放置到合并文档的靠前部分。

大语言模型在处理自然语言时，有时会出现幻觉，表现为回答不准确或前后不一致的问题。

在 LangChain 中，如果内置的文档分割器均没办法完成需求，还可以根据特定的需求实现自定义文档分割器（一般极少），实现的方法也非常简单，继承文本分割器基类 TextSplitter ，在构造函数中传递相关参数，然后实现 split_text() 方法即可。"""自定义文本分割器""""""分割传入的文本为字符串列表"""# 1.创建加载器与分割器loader = UnstructuredFi

要想使用向量数据库的相似性搜索，存储的数据必须是向量，那么如何将高维度的文字、图片、视频等非结构化数据转换成向量呢?这个时候就需要使用到Embedding嵌入模型了，例如下方就是Embedding嵌入模型的运行流程:Embeding模型是一种在机器学习和自然语言处理中广泛应用的技术，它旨在将高纬度的数据(如文字、图片、视频)映射到低纬度的空间。Embedding向量是一个N维的实值向量，它将输入的