这是苍何的第 496 篇原创！ 大家好，我是苍何。 其实在早些时候，我就深度参与了豆包大模型2.0 的内测。 今天，终于，豆包大模型 2.0 正式发布了。 说实话，这次的升级幅度，属实把我整不会了。

豆包 AI 桌面版融合了 Chrome 浏览器与 AI 全家桶功能，具备网页总结、文档伴读、划词提问、翻译等实用功能，配合快捷键使用，能大幅提升学习和工作效率。因为看到它的价值所在，所以决定写一份教程

Node.js+Vue3.5 实战：豆包快速 / 深度思考模型的流式调用方案 开篇：为什么要做这个封装？ 前阵子做 AI 对话功能时，直接调用豆包 API 遇到了些小麻烦 —— 比如快速模型和深度模型

先前在使用豆包的Web版时，发现在“帮我写作”模块中用以输入Prompt的模板输入框非常实用，既可以保留模板输入的优势，来调优指定的写作方向，又能够不失灵活地自由编辑。

引言 大模型能够通过中间的推理步骤，实现对复杂问题的推理，获得更好的结果，解决更难、更具挑战的任务。但是仅仅有这些并不能解决大模型的固有问题：无法自动更新知识、导致出现幻觉（这里的幻觉差不多就是会根据

LangChain实战课 模型I/O：输入提示、调用模型、解析输出｜豆包MarsCode AI刷题 一、课程背景 在本节课中，我们深入学习了LangChain框架的核心组件——模型（Model）。

大语言模型是使用深度学习等技术来理解和生成人类语言的人工智能模型。 ​ 大语言模型可以类比为巨大的预测机器。本系列文章将会由浅入深地分析MarsCode AI的底层原理。

理解RAG工作流的重要性：RAG（Retrieval-Augmented Generation）工作流通过结合检索和生成，使得模型在生成文本时能够利用额外的数据源，这对于提高生成文本的质量和准确性至关

回顾前面的课程，在这个过程中，我总结了一些知识点，再次探索了LangChain框架及其六大核心组件，并对其在应用开发中的优势进行了深入分析。