本文介绍了LangChain中的输出解析器（Output Parsers），它们是将LLM输出的自然语言转换为结构化数据的桥梁。文章详细分类了各种解析器，包括基础文本（如StrOutputParser）、列表（如CommaSeparatedListOutputParser）、结构化（如JsonOutputParser和PydanticOutputParser）以及专用解析器（如DatetimeOu

本文介绍了LangChain框架的核心概念和使用方法。LangChain通过将语言模型操作拆分为模块化组件并用"链"串联，实现流水线式处理。文章以翻译助手为例，对比了普通分步写法和链式写法：普通写法步骤清晰但代码冗长，链式写法通过管道符|串联组件，代码简洁高效。重点讲解了输出解析器(StrOutputParser)的作用，它能从模型返回的复杂对象中提取纯文本内容。两种写法各有优

DashScope（阿里云大模型服务平台）与LangChain（AI应用框架）形成"服务层-编排层"协作关系。DashScope专注模型推理服务，LangChain提供统一接口和流程编排。通过适配器封装（如ChatTongyi类），LangChain能无缝切换包括DashScope在内的十余种模型服务，保持业务代码不变。这种解耦设计让开发者可灵活选择：直接调用DashScope

向量模型分词与截断机制详解：从文本到向量的完整旅程

延伸阅读：如果你正在研究 FAISS 向量检索或现场报警知识库，下一步可以深入了解 “向量量化”（如何把 768 维浮点向量压缩为更低维的整数表示，节省 90% 存储空间），以及 “多向量表示”（ColBERT 等模型不再用单一向量，而是保留每个 token 的向量以提升精度）。一句话总结：Embedding 模型的输出维度与输入字数无关，它是语义的"坐标"，不是文字的"统计"。“相同字数一定有相

汉字的"压缩包"悖论：为什么对人脑高效，对AI却更费token？

system是幕后导演，user是台下观众，assistant是台上演员。区分他们，就是让 AI知道谁在说啥、该听谁的、该扮演谁。没有 system，演员没剧本；不分 user/assistant，演员会串戏。

OpenSpec 开发工作流实践总结 本文记录了使用 OpenSpec 完成 3D 点云项目初始化的完整过程，系统介绍了 OpenSpec 的核心概念和开发流程。作者通过创建变更、编写提案/规格/设计/任务四个工件，展示了从需求定义到代码实现的完整周期。重点解析了 OpenSpec 目录结构的设计哲学，包括施工现场（changes）、系统现状（specs）和历史记录（archive）三大区域的职责

本文介绍了Git推送大文件失败的解决方案。当单个文件超过平台限制（如100MB）时，直接删除文件无效，必须使用git filter-repo工具从历史记录中彻底移除大文件。操作步骤包括新克隆仓库、执行删除命令和强制推送。为避免此类问题，建议提前配置.gitignore忽略二进制文件等大文件，或使用Git LFS/网盘存储大文件。核心建议：源代码放Git，大文件放Release/网盘分开管理。

最近GitHub平凡的登录不上，推送经常不成功，累了累了，果断Gitee啊。