本章系统介绍了大语言模型（LLM）的基础知识。首先从N-gram到RNN/LSTM的语言模型发展历程切入，重点解析了Transformer架构的核心组件（自注意力、多头注意力、位置编码等）。随后详细阐述了当前主流的Decoder-Only架构（如GPT）及其自回归生成机制。在模型交互方面，介绍了提示工程、分词技术和模型选型要点。最后讨论了缩放法则、涌现能力及模型幻觉问题。全章揭示了现代智能体以Tr

《智能体技术演进与核心架构》摘要：本文系统梳理智能体技术发展历程与核心架构。智能体定义为具备感知-思考-行动闭环的目标驱动系统，其发展经历了符号主义（专家系统、SHRDLU）、联结主义（神经网络）、强化学习（AlphaGo）到LLM驱动的四代范式跃迁。现代LLM智能体融合神经符号主义，通过大语言模型实现规划、推理、工具调用等复杂功能。文章详细分析了智能体分类维度（决策架构/时间特性/知识表示）、运

本文档详细介绍了RAG（检索增强生成）系统中的关键环节——向量数据库的入库与检索流程。主要内容包括：1）入库流程（文档加载、文本切分、向量化、索引构建）；2）Embedding模型选型（云端API与本地开源方案对比、中文推荐模型、成本评估）；3）向量数据库对比（能力矩阵、索引原理、元数据过滤）；4）LlamaIndex核心组件（StorageContext与VectorStoreIndex的协同）

传统大模型在业务落地中存在知识过时、产生幻觉、无法访问私有数据、缺乏出处验证和上下文长度限制等局限性。RAG（检索增强生成）通过结合检索和生成，让模型先查资料再回答，显著提升准确性、时效性和可追溯性。RAG的核心流程包括离线构建知识库（数据接入、解析、分割、向量化存储）和在线问答（提问、检索、提示增强、生成）。典型应用场景包括企业知识库、专业客服和科研调研，通过检索最新或私有数据生成可靠回答，有效

传统大模型在业务落地中存在知识过时、产生幻觉、无法访问私有数据、缺乏出处验证和上下文长度限制等局限性。RAG（检索增强生成）通过结合检索和生成，让模型先查资料再回答，显著提升准确性、时效性和可追溯性。RAG的核心流程包括离线构建知识库（数据接入、解析、分割、向量化存储）和在线问答（提问、检索、提示增强、生成）。典型应用场景包括企业知识库、专业客服和科研调研，通过检索最新或私有数据生成可靠回答，有效

本文首先介绍了栈和队列的基本原理，并深入探讨了C++中STL容器的实现细节。栈和队列在STL中属于容器适配器(container adapter)，默认使用deque作为底层容器。文章通过四个思考题引导读者深入理解STL实现机制。 第二部分讲解如何用栈实现队列（LeetCode 232题），提出使用两个栈（输入栈和输出栈）的解决方案。当输出栈为空时，将输入栈所有元素转移至输出栈，从而满足队列先进先

中间件（Middleware）是 LangChain 1.0 的重大更新点之一：允许开发者在 Agent 执行过程中，通过“钩子”介入并改写行为，从而更细粒度控制 Agent 的每个环节。传统 React Agent 核心循环图加入中间件后的流程图直觉理解：原本 Agent 是“固定流程”；加入中间件后，你可以在关键阶段插入逻辑（监控、改消息、换模型、拦截工具、重试/降级等）。Middleware

本文介绍了如何使用LangGraph CLI将LangGraph/LangChain Agent项目标准化为可运行服务。主要内容包括： 开发工具套件：LangSmith用于监控链路，LangGraph Studio提供可视化调试，LangGraph CLI作为服务部署入口，Agent Chat UI作为前端界面模板。 标准项目创建流程：需按规范组织项目结构，关键步骤包括创建requirements

LangChain 1.0推出全新Agent框架，通过统一create_agentAPI简化了智能体创建流程。核心改进包括：1）用LangGraph构建Agent运行时，实现状态管理和循环推理；2）支持灵活接入静态/动态模型；3）提供丰富内置工具（搜索、数据库等）和自定义工具能力。该框架采用ReAct循环机制，使Agent能持续运行、调用工具并维护状态，显著提升了工程化水平。典型使用场景包括：传入

安装对应集成包dashscope（或 OpenAI 兼容模式）准备鉴权信息.env写入，用加载本地模型：确保服务已启动，模型已下载且名称正确初始化 Chat Model调用统一用获取结果（可能含推理、token、工具调用等扩展信息）