本文介绍了AI Agent（人工智能代理）的核心概念和架构。AI Agent是一种能够感知环境、处理信息并自主执行任务的智能系统，其设计灵感来源于人类思维模式。文章详细阐述了AI Agent的三大基本步骤（观察、推理、行动）和四大核心模块（规划、记忆、行动、工具），并通过AgentExecutor解释了执行循环机制。同时，文章还讲解了OpenAI API的基础调用方式，包括如何实现记忆功能，并引入

**摘要**：工具使用（Tool Use，常以 Function Calling 实现）让智能体**突破纯文本生成**，能够按需调用外部能力——查信息、算数据、调 API、执行代码等。本文说明该模式的动机、典型流程，以及如何用 **LangGraph** 的**状态图 + Agent 节点 + 条件边 + ToolNode** 实现一个可多步调用工具的研究助理，配套示例包含信息检索、股价查询与数学

**摘要**：路由（Routing）为智能体引入**条件分支**：先对输入或当前状态做判断，再决定下一步走哪条处理路径，从而从「单一路径执行」变为「按条件选路径」。本文说明路由的动机、典型实现方式（LLM / 规则 / 嵌入 / 小模型），并重点介绍在 **LangGraph** 中如何用**状态图 + 条件边**实现「先分类、再分发」的流程，配套示例为基于 LLM 的意图分类（booker /

Kotlin 如何播放音频文件

传统 RAG 在分块与向量化时容易丢失文档级上下文，导致检索 recall 不足。Anthropic 提出的 Contextual Retrieval 在嵌入与建 BM25 索引前，用 LLM 为每个块生成简短「情境说明」并拼在块前，然后使用 Contextual Embeddings + Contextual BM25。本文基于Anthropic 原文梳理原理、实现要点与 Prompt Cach

本文系统介绍了大模型场景下的意图识别方法，对比了Function Calling、Embedding零样本/有监督、Few-shot、文本匹配和模型融合等多种技术，并提供了准确率数据。通过Amazon评论和银行客服案例展示了落地应用，重点探讨了引导式对话中意图识别与槽位抽取的一体化实现，以及LangGraph等流程编排方式。实验结果显示，Function Calling（GPT-4）和机器学习（X

本项目为**保险/金融咨询智能办理**大模型应用，通过「一次大模型调用 + 策略编排驱动话术」实现售前接待与信息引导收集。支持 Gradio 网页对话与 FastAPI HTTP 接口两种运行方式，槽位数据持久化于本地 SQLite。本文档说明如何运行本项目，以及项目源代码架构与主要模块介绍。

本文介绍一种面向保险/金融咨询场景的智能对话方案以及详细代码：通过**一次大模型调用完成槽位抽取**，再通过**策略编排与话术模板**完成总结与追问，从而避免「总结 + 追问」的二次 LLM 调用，在保证信息收集完整、流程可控的前提下，显著降低延迟与成本。

我们将通过一系列文章学习机器学习管道（Machine Learning Pipeline）的一个实例。这一章节我们主要描述如何通过Flask进行简单的部署，以及如何通过使用`python anywhere`将我们上一章节的flask应用运行在云端。

提示：此博文详细描述如何使用Pytesseract进行OCR识别，包括基本操作，图像的预处理，角度识别，图像旋转，等等。并且，这里也会附上及其详细的代码以及注解。如果感兴趣的同学可以自行下载。注：代码运行于Ubuntu AMD 环境。