本文介绍了大模型的分类方法及LangChain 1.0调用各类大模型的实践。大模型主要按模态（文本、视觉、多模态、音频）和功能（对话、代码、科学计算等）分类。LangChain调用示例包括：1）语言模型（DeepSeek-V3.1）生成诗歌；2）多模态模型（Qwen3-VL-235B）分析图表；3）向量模型（Qwen3-Embedding-8B）处理文本嵌入。通过魔搭社区获取API密钥，使用Cha

本文介绍了大模型的分类方法及LangChain 1.0调用各类大模型的实践。大模型主要按模态（文本、视觉、多模态、音频）和功能（对话、代码、科学计算等）分类。LangChain调用示例包括：1）语言模型（DeepSeek-V3.1）生成诗歌；2）多模态模型（Qwen3-VL-235B）分析图表；3）向量模型（Qwen3-Embedding-8B）处理文本嵌入。通过魔搭社区获取API密钥，使用Cha

本文介绍了基于RAG（检索增强生成）技术的菜谱问答系统实现方案。系统采用树形结构处理菜谱数据，将完整菜谱（父文档）分割为多个子块（介绍、原料、步骤等），检索时精确匹配子块，生成时整合父文档保证上下文完整。技术实现包括：1）使用FAISS构建向量索引并实现缓存机制；2）结合向量检索和BM25检索的RRF混合排序算法；3）支持元数据过滤检索；4）集成大语言模型生成回答。系统能智能处理"推荐简

{'author': '二次元的Datawhale', 'source': 'BV1ug4y157xA', 'view_count': 19602, 'title': '《吴恩达 x OpenAI Prompt课程》【专业翻译，配套代码笔记】02.Prompt 的构建原则', 'length': 1063}描述: 一条金色的中华龙在祥云间盘旋，它身形矫健，龙须飘逸，展现了东方神话中龙的威严与神圣。

摘要 Embedding将离散数据转化为低维向量，相似对象向量距离更近，常用余弦相似度、点积和欧氏距离衡量。RAG中，离线构建向量数据库，在线查询时计算相似度召回相关文档。多模态大模型可直接处理图像等数据，通过向量转换实现跨模态相似度计算。向量数据库（如Pinecone、Milvus）专门优化高维向量存储检索，解决传统数据库效率问题。Milvus支持多种部署模式，从Lite到分布式，满足不同规模需

摘要 Embedding将离散数据转化为低维向量，相似对象向量距离更近，常用余弦相似度、点积和欧氏距离衡量。RAG中，离线构建向量数据库，在线查询时计算相似度召回相关文档。多模态大模型可直接处理图像等数据，通过向量转换实现跨模态相似度计算。向量数据库（如Pinecone、Milvus）专门优化高维向量存储检索，解决传统数据库效率问题。Milvus支持多种部署模式，从Lite到分布式，满足不同规模需