查询（Querying）是 LLM 应用中最重要的部分。在llamaindex中，当完成：数据加载，构建索引、索引存储后，就可以进行LLM 应用程序最重要的部分：查询。简单的查询只是对大语言模型的提示调用：它可以是一个问题并获得答案，或者是一个总结请求，或者是一个更复杂的指令。复杂的查询可能涉及重复/链接提示+ LLM 调用，甚至跨多个组件的推理循环。

本文总体介绍llamaindex框架，包括：llmaindex的功能，组成，说明等。LlamaIndex 是一个开源的LLM应用开发框架，基于大模型（包括代理(Agent)和工作流(Workflow)）构建上下文增强的生成式 AI 应用程序。

本文介绍llamaindex的工作流的使用。这是一个简单的例子，可以在这个例子的基础上进行修改和创建自己的工作流。

使用该配置，再回到cody界面进行配置时，就会发现多了ollama的选项。此时就可以通过ollama来使用本地大模型了。

因为等待事件是一种常见的模式，上下文Context对象有一个方便的函数，collect_events()。它将捕获事件并存储它们，返回 None 直到收集到它需要的所有事件。这些事件将按照指定的顺序附加到collect_events 的输出中。

使用cursor等软件总是遇到调用次数限制的问题，用一阵就不能再使用了。于是，就希望能够通过Ollama来使用本地部署的代码大模型。然后就找到了twinny这个vscode的插件。twinny插件配置简单，使用方式简介，一安装就知道如何使用了，很是方便。

Aardvark 是一个自主 AI 智能体，其功能是像人类安全研究员一样思考，并能大规模运作。连续分析源代码仓库，尤其是对提交（Commit）级别的代码变更进行扫描。评估所发现漏洞的实际可利用程度，并根据严重性进行优先级排序。对发现的漏洞进行分步解释，并对代码进行注释，方便人工审查。集成，为每个漏洞提供一个经过 Aardvark 扫描的、可供人工一键审查和应用的补丁。除了安全漏洞，在测试中发现 A

Aardvark 是一个自主 AI 智能体，其功能是像人类安全研究员一样思考，并能大规模运作。连续分析源代码仓库，尤其是对提交（Commit）级别的代码变更进行扫描。评估所发现漏洞的实际可利用程度，并根据严重性进行优先级排序。对发现的漏洞进行分步解释，并对代码进行注释，方便人工审查。集成，为每个漏洞提供一个经过 Aardvark 扫描的、可供人工一键审查和应用的补丁。除了安全漏洞，在测试中发现 A

本文探讨了AI Agent开发从提示词工程向上下文工程的演进。Anthropic团队提出LLM存在"注意力预算有限"和"上下文衰减"的核心约束，强调上下文是珍贵资源。高效上下文工程需聚焦三个要素：精简的系统提示词、功能明晰的工具集和规范化的few-shot示例。文章建议采用"即时探索"策略替代传统RAG，并提出三种长周期任务处理技术（压缩

本文探讨了AI Agent开发从提示词工程向上下文工程的演进。Anthropic团队提出LLM存在"注意力预算有限"和"上下文衰减"的核心约束，强调上下文是珍贵资源。高效上下文工程需聚焦三个要素：精简的系统提示词、功能明晰的工具集和规范化的few-shot示例。文章建议采用"即时探索"策略替代传统RAG，并提出三种长周期任务处理技术（压缩