将函数调用（Function Calling）与 LLM 相结合能够扩展您的 AI 应用的能力。通过将您的大语言模型（LLM）与用户定义的 Function 或 API 集成，您可以搭建高效的应用，解决实际问题。本文将介绍如何将 Llama 3.1 与 Milvus 和 API 等外部工具集成，构建具备上下文感知能力的应用。01Function Calling 简介诸如 GPT-4、Mistral

甚至今年，他脑子里也不断冒出新的想法，如果不做向量数据库，他可能会去做一个 agent 的 sandbox，让它们在更安全、更高效的环境中运行。从历史角度看，向量数据库的发展路径也印证了这一判断。与其说这是一次追逐风口的决定，不如说是一次基于数据库工程直觉的判断：如果AI会落地千行百业，而向量搜索会成为 AI 系统的核心能力，那么它迟早需要一套真正的基础设施来承载，而不仅仅是零散的算法调用。最后，

在多个向量代表一个实体的场景中（如电商场景，一个商品可能包含多个角度的图片和描述），Struct 允许将不同类型的数据（如标量、向量、字符串等）组织成一个结构化的对象。从场景角度出发，该方案非常适配冷热数据二八分（热数据占比不到20%，但贡献80%以上访问的）的长尾场景，比如电商产品搜索、企业文档库、新闻媒体库等冷热数据分明的场景。这就导致一个尴尬的结果：即便大部分资源处于闲置状态，：社交平台的历

比起单纯使用RAGflow的技术框架，我们在Milvus基础上设计了更加灵活集中功能组件的方案,让商品在多种业务场景下检索的召回率大大提升，在商品检索的召回率提升至95%。如前面困境所说，用户的 Query 实际是多种多样的，有简单的 Query，也有指代不明的 Query。Milvus对检索精度极高的掌控力以及原生支持的混合检索的能力，以及极高的性能扩展性和社群活力，挖掘出了我们产品更大的潜力。

举个中文环境的例子，同一台洗衣机，商家A的标题是“全自动10kg变频滚筒”，商家B的标题是“10公斤变频滚筒洗衣机 静音节能”，对应的图片分辨率更是从300x300到2000x2000不等，甚至有商家用好几个角度的实物图的情况下，有的商家只用示意图。也是因此，在服务第三方商家、给自营产品定价时，比价系统的建设，举足轻重。也是因此，比价服务不仅要在平台内找相似款，还要监控全市场动向，提供竞对情报、平

Nano Banana 2：完成度直接拉满，加了窗框做前景有纵深感，东方明珠细节清、黄浦江有船只，光影层次分明，雨滴和水渍的质感几乎和实拍没差，4:1 超宽比例也没透视畸变，电商图绕不开文字，价签、营销标语、跨境多语言文案，这些都是是过去 AI 生图的通病，Nano Banana 2 的优势在于，能生成无错漏的易读文本，还支持多语言翻译和本地化。整体效果可以看到，初代 Nano Banana比较中

指的是短期、非持久化记忆，仅在会话启动时注入一次，会话结束后销毁，主要用于让模型适配当前场景（如移动端简化回复格式），不影响长期记忆。，则是长期、可编辑的核心记忆，用于记录用户稳定属性（，如姓名、职业目标、过往经历、项目成果、学习偏好），每次对话都会强制注入。有时是纯语义检索（之前讨论的性能优化方案），有时是纯时间检索（上周的所有对话），有时是复杂组合（三个月内关于 Python 且提到 Fast

比起单纯使用RAGflow的技术框架，我们在Milvus基础上设计了更加灵活集中功能组件的方案,让商品在多种业务场景下检索的召回率大大提升，在商品检索的召回率提升至95%。如前面困境所说，用户的 Query 实际是多种多样的，有简单的 Query，也有指代不明的 Query。Milvus对检索精度极高的掌控力以及原生支持的混合检索的能力，以及极高的性能扩展性和社群活力，挖掘出了我们产品更大的潜力。

token 消耗通常是单智能体的 3 到 10 倍，而且每个智能体都是潜在的故障点，智能体间传递上下文的过程中信息会持续损耗，协调开销有时甚至比实际工作还多。合理的做法是分别创建 CRM 智能体、营销智能体和消息智能体，每个配备 8 到 10 个专属工具和定制化的系统提示词，再加一个协调智能体负责把请求路由到合适的专业智能体。这个场景的触发条件是工具总数超过 20 个且频繁选错，工具跨越多个无关领

Milvus 是一款高性能、高度可扩展的开源向量数据库，能够存储、索引和搜索由非结构化数据转化而来的高维 Embedding 向量。Milvus 适用于构建现代 AI 应用，如检索增强生成（RAG）、语义搜索、多模态搜索和推荐系统。从笔记本电脑到大规模分布式系统，Milvus 能够在各种环境中高效运行。您可以使用开源的 Milvus 或者全托管的 Milvus 服务（Zilliz Cloud）。M