检索增强生成（Retrieval-Augmented Generation, RAG）是解决大模型 “幻觉”、知识时效性问题的核心技术，而 LangChain 是 RAG 落地的主流框架。本文从核心流程拆解→关键环节实操→完整项目落地全维度讲解 LangChain RAG，最终实现一个可直接部署的 AI 智能 PDF 问答助手（Streamlit 可视化界面）。📤 PDF 文件上传（支持临时文件

日常使用豆包、ChatGPT 等 AI 应用时，我们习以为常的「上下文记忆」功能（比如问完 “林俊杰是谁” 再问 “他的代表作”，AI 能精准理解），其实并非大模型原生自带 —— 直接调用大模型 API 时，每次请求都是独立的，模型只会基于当前输入的 Token 逐个预测回复，完全没有 “记忆” 能力，返回的也是包含原始格式的完整响应。

本文从网络原理出发，结合ResNet18模型实战，完整讲解了Flask模型部署的核心逻辑：网络基础是部署的前提，Flask框架是服务搭建的核心，服务端与客户端的配合是实现功能的关键。掌握本文内容，可轻松实现任意PyTorch模型的Flask部署，避开常见连接、预测问题。怎么进行公网访问服务端呢？

Chat Model：角色化消息是对话基础，控制模型行为；提示模板：参数化 + 复用，解决提示词冗余问题；少样本提示：少量示例引导格式，比长提示更稳定；输出解析：文本转结构化数据，适配工程化开发；Pydantic 解析：自定义结构，精准提取复杂信息；LCEL 链式：LangChain 标准开发范式，极简高效。本文所有代码可直接运行，适配国内通义千问模型，替换model与 API 配置即可兼容 Ch

LangChain 是一款开源的大语言模型（LLM）应用编排框架，支持 Python 与 JavaScript 双技术栈。它的核心作用是简化 LLM 与外部数据源、软件工作流的集成流程。在大语言模型的应用开发中，LangChain 就像是一个 “万能连接器”，将各种复杂的组件和功能有序地连接起来。采用模块化设计是 LangChain 的一大亮点，这使得开发者在使用不同的大语言模型时，能够实现多模型

GitHub = 基于 Git 的代码托管 + 协作开发平台。程序员的 “云端代码网盘 + 协作工作台 + 项目社区”。核心功能代码托管：把项目代码存在云端版本管理：记录每一次修改，可回滚、可对比团队协作：多人一起开发同一个项目Issue（任务 / BUG 管理）：提需求、报 bug、分配任务：提交代码改动，让别人审核后合并：自动化测试CI\CD、打包、部署：免费搭建静态网站分支类型命名规范用途主

CBOW模型结构分为三层：词嵌入层（Embedding）、中间特征层（Linear+ReLU）、输出层（Linear），核心逻辑是“上下文嵌入聚合→特征变换→预测中心词”。# 1. 词嵌入层：将索引转为低维嵌入向量# 输入维度：vocab_size（词汇表大小），输出维度：embedding_dim（词向量维度）# 2. 中间特征层（proj层）：增强特征表达能力# 输入维度：embedding_

navicat是操纵数据库的图形化工具，因为MySQL窗口是像命令行一样只有一个黑色的窗口，在navicat中进行操作会更加直观、可视化。xftp8是用于在不同系统中轻松传输文件的软件，我们这里实现Windows系统中的文件直接“拖”到centos中。软件下载兄弟们直接搜一下就行。

作为计算机视觉领域最常用的开源库，OpenCV涵盖了图像读取、显示、处理等一系列基础功能，是入门者必须掌握的核心工具。这篇博客就来梳理一下我们今天讨论学习的关键知识点，也希望能给同样刚入门的朋友一些参考～

提示词工程不是“堆砌需求”，而是“精准传递意图”的艺术。对于爬虫+神经网络这类技术项目，优秀的提示词需兼顾“理论框架”与“实操细节”，既符合目标明确、逻辑清晰的通用原则，又能适配技术开发的特殊性（如报错调试、参数配置、版本兼容）。通过本文的案例复盘可见，从模糊需求到完整项目，提示词的迭代过程也是需求逐步清晰、问题逐个解决的过程。掌握本文的提示词条件与模板，能让你在AI驱动开发中更高效地落地技术项目