从后端到 AI：LangChain 入门和实战

本文已收录在[Github](https://github.com/Java-Edge/Java-Interview-Tutorial)，**关注我，紧跟本系列专栏文章，咱们下篇再续！** - �

 ## 0 引言 **Qwen3-23

本文已收录在[Github](https://github.com/Java-Edge/Java-Interview-Tutorial)，**关注我，紧跟本系列专栏文章，咱们下篇再续！** - �

本文已收录在[Github](https://github.com/Java-Edge/Java-Interview-Tutorial)，**关注我，紧跟本系列专栏文章，咱们下篇再续！** - �

## 1 语音逻辑设计 一个AI Agent应用的语音逻辑设计流程图。 ### 1.1 基本流程 ``` - 用户 -> Agent -> 文本回答 ``` 最基础的交互模式。用户输入被传递

本文已收录在Github，关注我，紧跟本系列专栏文章，咱们下篇再续！ 🚀 魔都架构师 | 全网30W技术追随者 🔧 大厂分布式系统/数据中台实战专家 🏆 主导交易系统百万级流量调优 & 车联网平台架构

## 0 前言 LangChain4j 提供了用于以下功能的 [Spring Boot 启动器](https://github.com/langchain4j/langchain4j-spring

MCP（Model Control Protocol）资源系统是将服务器数据暴露给客户端的核心机制，支持文本和二进制两种类型资源。资源通过唯一URI标识，客户端可通过资源列表或模板发现资源

LangChain4j 的目标是简化将大语言模型（LLM）集成到 Java 应用程序中的过程。 ## 1 实现方式 ### 1.1 标准化 API LLM 提供商（如 OpenAI 或 Goo

# 如何微调：关注有效的数据集 本文关于适应开源大型语言模型（LLMs）系列博客的第三篇文章。在这篇文章中，我们将探讨一些用于策划高质量训练数据集的经验法则。 - [第一部分](http://w

这是一篇关于适应开源大语言模型（LLMs）的三部系列博客的第一篇。本文探讨将LLM适应领域数据的各种方法。 - 第二部分讨论如何确定微调（fine-tuning）是否适合您的用例。 - 第三部分探

## 0 前言 LangGraph Studio 提供了一个专门的智能体IDE，用于可视化、交互和调试复杂的智能体应用程序。本文来了解如何在桌面使用。 LLM为新型*智能体*应用程序的发展铺平

## 1 Zero-shot learning 零样本学习。 ### 1.1 任务定义 利用训练集数据训练模型，使得模型能够对测试集的对象进行分类，但是训练集类别和测试集类别之间没有交集；期间

## 0 前言 这将所有可用的代理按照几个维度进行分类。 ### 预期模型类型 用于聊天模型（接收信息，输出信息）或 LLM（接收字符串，输出字符串）。这主要影响所使用的提示策略。 ###

## 1 完整RAG应用的检索流程 ![](https://my-img.javaedge.com.cn/javaedge-blog/2024/06/114e63da2df746f038e2f

## 1 开源解析和拆分文档 第三方工具去对文件解析拆分，将文件内容给提取出来，并将我们的文档内容去拆分成一个小的chunk。常见的PDF word mark down, JSON、HTML。都可

## 1 文本Embedding 将整个文本转化为实数向量的技术。 Embedding优点是可将离散的词语或句子转化为连续的向量，就可用数学方法来处理词语或句子，捕捉到文本的语义信息，文本和文本

大模型在一定程度上去改变了我们生活生工作的思考的方式，然后也越来越多的个人还有企业在思考如何将大模型去应用到更加实际的呃生产生活中去，希望大语言模型能够呃有一些更多企业级别生产落地的实践，然后去帮助

## 1 利用内存实现短时记忆 ```python from langchain.memory import ConversationBufferMemory memory = Convers

## 1 stuff ![stuff_diagram](https://js.langchain.com/v0.1/assets/images/stuff-818da4c66ee17911bc