​上一篇文章末尾使用了在线大模型压缩文本生成摘要，但该方式会消耗Token，不便初学者长期使用，更好的办法是采用离线大模型来生成文本摘要。 一、离线大模型的种类 国内常用的离线大模型有阿里Qwen、智

Python环境搭建与基础语法教程，涵盖pyenv版本管理、venv虚拟环境、pip包管理，以及数据类型、函数、装饰器等核心知识，为AI工程师学习打下基础。

写这篇之前，我又翻了一遍自己 2025 年初接的第一个多模态项目的代码。那是一个看起来很正常的 AI 内容生产平台：用户上传商品图，我们调一个图像模型生成场景图，再调一个视频模型把图变成 6 秒短片

LangChain使用RAG 入门：让大模型读懂你的私有文档 先看效果 我有一份《阿里巴巴 Java 开发手册》Word 文档。什么都不告诉大模型，直接问： 不用 RAG 的效果（纯大模型瞎猜）： —

本章目标 学完后你至少应该能做到： 知道 Python 是解释型语言，代码通常通过解释器运行 会检查本机 Python 和 pip 是否可用 会创建项目目录和虚拟环境 会运行简单的 .py 脚本 能看

从API调用封装到提示词核心原则，结合DeepSeek实战演示，涵盖清晰指令、逐步推理、Few-Shot风格模仿、多任务组合等技巧，助你写出精准高效的Prompt，驾驭大模型。

CrewAI 是当前最流行的开源多智能体协作框架之一，它让开发者能够像组建一支真实团队一样，编排多个 AI Agent 分工协作、自动完成复杂任务。在本教程中，我们将从基础概念讲起，逐步深入到高级特性

一、SDK 是什么？一句话说清楚 a2a-python（pip 包名 a2a-sdk）是 A2A 协议的官方 Python 实现。 打个比方：如果 A2A 协议是"快递行业标准"（规定了包裹格式、运单

LangChain 输出解析器：把模型回复变成你要的数据 读完你会什么 上一篇学了 Input（模板拼接） 和 Model（invoke / stream / batch）。大模型返回的是 AIMes

LangChain调用向量模型，存入向量数据库 很多入门 AI、RAG 检索、智能问答的开发者，都会被向量、Embedding、语义向量等概念困扰。其实向量技术底层逻辑并不复杂。 本文从通俗原理入手，

LangChain 调大模型：模板拼接 + invoke / stream / batch 读完你会什么 跟着本文走一遍，你能掌握 LangChain 调大模型的完整链路： 拼消息 — 用 ChatP

​前面两篇文章分别介绍了根据消息数量截断历史对话和根据Token长度截断历史对话，可是这两种方式有两个共同的问题： 1、被删去的早期记录可能包含关键信息，直接截断会导致信息丢失。 2、原始的对话记录可

NumPy数组创建完全指南：从零搭建你的数字积木城 为什么要学NumPy？ 如果把机器学习比作精彩的冒险旅程，那 NumPy 就是出发前必学的基础技能课，缺一不可。 写Python处理数据，你大概率会

本文通过 Python 列表的切片操作，理解其灵活高效的数据处理方式，并结合 LLM API 调用，学习 Prompt 设计的核心原则：清晰指令、分步骤、约束输出格式。

选读：工业级调用 LangChain：从 Demo 到企业级应用 TL;DR Demo：11 行，print 出结果就行 企业级：配置外置 → 分层 → 日志 → 超时重试 → 流式 → 退出码，主逻

​上一篇文章说到按照消息数量来截断历史对话，这种方式有个问题，就是每次对话的内容可长可短，导致固定消息数量的对话内容忽长忽短。 历史对话内容不光要存入数据库，还要作为初始提示词发给下次新会话的大模型。

LangChain 调用大模型实战：从跑通到服务商与模型选型 TL;DR 用 ChatOpenAI 显式传 api_key + base_url + model，万能兜底，硅基/百炼/DeepSeek

日常使用AI开发时，常会遇到这类问题：让AI编写完整的用户登录模块（前端页面、后端接口、数据库表、单元测试），AI快速生成代码后，普遍存在字段缺失、接口无加密、前端无校验、遗留错误处理等问题，看似完成

重生之我在 Vibe Coding 时代当程序员：第十二课，Prompt 不是咒语，是可以沉淀的业务接口 这份笔记的标题叫 Prompt 设计规则，但里面不只有 prompt。它还穿插了 Python