本文介绍如何使用Ollama在本地电脑上运行大语言模型，实现离线AI助手功能。详细讲解了Ollama在Windows、macOS和Linux系统的安装方法，以及常用命令操作（模型下载、运行和删除）。重点展示了如何通过Python调用本地模型API进行问答交互，并对比了本地模型与在线模型在响应速度、隐私保护和成本方面的优势。通过简单的代码示例，读者可以快速上手将大模型部署到个人电脑，打造专属AI助手

今天我们把过去一周的知识全部融合在一起，打造了一个功能强大、完全离线的本地轻量Agent。它：✅ 基于LangChain + Ollama，离线运行✅ 拥有丰富的工具（天气、计算器、时间、文件操作、随机数等）✅ 具备记忆（摘要记忆，节省token）✅ 有友好的命令行交互界面✅ 经过参数优化，响应速度更快。

摘要：本文介绍如何使用LangChain和Ollama搭建完全离线的AI助手，解决在线模型依赖网络、隐私泄露等问题。通过配置LangChain连接本地Ollama模型（如Qwen 7B），创建支持工具调用（计算器、时间查询）的Agent，并优化响应速度。文章详细展示了环境准备、工具定义、Agent构建及性能优化步骤，帮助开发者打造安全高效的本地AI应用。

本文提供了一个从零搭建RAG系统的实战教程，包含通义千问、Deepseek和本地大模型三种实现方案。教程采用Python+LangChain+Chroma技术栈，详细演示了文档加载、文本拆分、向量化存储等核心步骤。特别针对中文场景优化了文本分割策略，并提供了API调用和本地模型两种向量化方案。通过构建"2026年LPR利率"的问答系统，展示了RAG如何解决大模型知识更新的问题。

本文介绍如何构建支持多格式文档的RAG知识库系统。主要内容包括： 支持PDF/Word/TXT文档的自动解析和文本提取 采用递归分块技术实现中文语义保持 可批量处理多个文档构建统一知识库 提供通义千问在线版和本地Qwen:7b两种模型方案 系统能自动解析不同格式文档，智能分块后存入向量数据库，实现跨文档精准检索。完整代码可直接运行，适合构建企业级私有知识库。

文章摘要：RAG检索与重排序深度优化方案 本文针对生产环境中基础RAG系统的痛点，提出进阶优化方案，通过混合检索和重排序技术提升准确率50%。核心方案包括：1）采用向量检索与BM25关键词检索结合的混合检索方式；2）使用通义千问或本地Qwen:7b模型进行高阶重排序；3）设计生产级Prompt模板确保回答精准性。文章提供两种实现路径：在线版利用通义API实现高性能检索，离线版基于本地模型保障数据隐

本文介绍了LangGraph框架的核心概念与应用，分为基础篇和进阶篇两部分。 基础篇重点讲解State、Node、Edge三大核心组件： State作为AI的共享记事本存储全局数据 Node作为专用功能模块执行特定任务 Edge定义执行流程路线 通过两个案例演示了单节点问答和多节点顺序工作流的实现方法，支持通义千问和本地Qwen两种模型。 进阶篇介绍了条件路由功能，使AI能够根据问题类型自主选择执

LangGraph 函数字典：从入门到精通 本文全面介绍 LangGraph 的核心 API，涵盖图构建、状态管理、执行和持久化等功能。主要内容包括： 图构建函数：StateGraph 创建基础框架，add_node 添加功能节点，add_edge 连接固定流程，add_conditional_edges 实现条件分支。 状态管理：使用 Annotated 和自定义 Reducer 控制状态合并规

大模型推理加速技术实战摘要 本文系统讲解了大模型推理加速的核心技术与实践方法。重点介绍了vLLM引擎及其革命性的PagedAttention机制，该技术通过分页式显存管理将显存利用率从50%提升至95%以上，实现3-5倍加速。文章详细对比了Ollama、vLLM和TensorRT-LLM三大工具的性能差异，其中vLLM凭借开箱即用和Python3.10完美兼容成为最优选择。实战部分提供了vLLM完

本文深入解析了LangChain的Memory系统如何为AI Agent赋予记忆能力，实现连贯的多轮对话。主要内容包括： 介绍了LangChain的两种记忆类型：短期记忆（ConversationBufferMemory）和长期记忆（ConversationSummaryMemory） 详细演示了如何将Memory集成到Agent中，通过天气查询示例展示上下文记忆功能 讲解了使用Structure