1.Function Calling 2.Function Calling的概念与应用 3.什么是Function Calling?它在跨模型协作中的角色

前言 首先展示下Embedding，本文使用阿里的模型，需要按照相关的依赖，参考 大模型服务平台百炼控制台 词嵌入 embed_query 处理单个文本 embed_documents 处理多个文本

在构建RAG（检索增强生成）系统时，文本分块质量直接影响知识检索精度与LLM输出效果。本文将深入解析五种分块策略的工程实现与优化方案。文中还会放一些技术文档，方便大家更好的理解RAG中常见的技术点。

为了帮助大家从底层更好地理解 RAG 的工作原理，带你撕开技术黑箱，仅用numpy等Python基础库构建RAG系统，从零手撕RAG内核！从文本划分、向量化、相似度检索到生成优化，逐行代码解剖检索增强

一、LangChain搜索工具实战：集成DuckDuckGo实现实时信息查询 核心场景：解决大模型知识滞后问题，通过搜索引擎获取实时信息 1.1 基础集成方案 1.2 高级配置（含元数据过滤） 1.3

MCP 就像是大模型世界里的“最后一公里”。说个暴论，MCP 应该是每个程序员在2025年必须掌握的知识点。 大模型功能很强大， 我们都是清楚的。但是，它是有短板的。

一、模型微调核心概念与技术演进 1.1 微调的本质与优势 数学表达： 1.2 微调方法分类 二、高效微调技术解析 2.1 PEFT理论框架 参数高效微调公式： h=W0x+ΔWx其中ΔW=BA 其中

最近，正在关注 AI 应用开发的演进，尤其是在如何让模型更好地“使用工具”这个问题上。Function Calling、AI Agents、Retrieval-Augmented Generation

入门讲解 MCP：让大语言模型不只是聊天，更能"动手做事"的开放协议：https://juejin.cn/post/7492339631699345460 6000字+6个案例：写给普通人的MCP入门