探索如何将LLM转变成一个更加强大的信息提取工具LLM不仅能够处理复杂的非结构化原始文本，还能将这些文本转化为结构化且易于查询的事实。在回顾一些关键概念之后，我们将重点介绍如何使用 OpenAI 的 GPT-3.5 Turbo 从原始文本数据（电商产品标题）中构建知识图谱。毕竟大多数公司的数据中都有大量未能有效利用的非结构化数据，创建知识图谱能够最大程度的从这些数据中提取有价值的信息，并使用这些信

首先，定义您的函数并使用。

请查阅你使用的向量存储的文档以获取具体的属性名称。给定一个指向 JSON 源文件的 String 引用（包含需加载至向量数据库的数据），我们使用 Spring AI 的 JsonReader 加载 JSON 中的特定字段，将其分割为小块后传递给向量存储实现。当插入向量数据库时，文本内容通过嵌入模型（如 Word2Vec、 GLoVE、 BERT 或 OpenAI 的 text-embedding-

传统的人工智能——比如你手机里的语音助手、ChatGPT——它们主要处理的是。

CrewAI 制作智能体CrewAI 是一个多智能体协作的开源框架，专门用于编排和协调多个 AI Agent 进行协作。CrewAI 可以把一个复杂任务，拆成多个角色，各自负责一部分，通过流程协作完成。对比理解：单 Agent：一个大模型，从头干到尾CrewAI：产品经理 + 工程师 + 分析师 + 编辑，各司其职CrewAI 是一个协调、管理和框架化 AI Agent 的工具，它基于 LangC

CrewAI 制作智能体CrewAI 是一个多智能体协作的开源框架，专门用于编排和协调多个 AI Agent 进行协作。CrewAI 可以把一个复杂任务，拆成多个角色，各自负责一部分，通过流程协作完成。对比理解：单 Agent：一个大模型，从头干到尾CrewAI：产品经理 + 工程师 + 分析师 + 编辑，各司其职CrewAI 是一个协调、管理和框架化 AI Agent 的工具，它基于 LangC

首先，需要理解token是什么，大模型中的token是指什么？

传统的人工智能——比如你手机里的语音助手、ChatGPT——它们主要处理的是。

这种优化不仅提高了推理效率，还使得模型能够在更大的上下文长度下运行，支持 128K tokens 的上下文长度，极大地提升了模型在处理长文本任务时的能力。多 token 预测（MTP）机制是 DeepSeek V3 的一大亮点，将预测范畴拓展至每个位置的多个后续 token，采用顺序预测维持因果链，在训练时借助特定模块与损失计算强化模型对多 token 信息的捕捉与学习能力，推理阶段虽可独立运行，

它本质是编程智能体的图形界面版，让不懂编程的用户，用自然语言说出需求，再通过 AI 生成底层代码并执行，自动操作本地计算机完成任务。后来，向专业领域发展，演变出编程智能体（coding agent）、图像智能体、视频智能体等等，或者接入 MCP，获得外部应用操作能力，比如生成 Office 文件、操作浏览器。注意，由于它可以操作计算机，并跟互联网通信，执行之前，一定要指定目录，防止读写不该操作的目