aI专栏

核心概念 本质：Function Calling是大模型连接外部世界的“通道”。它让大模型能调用外部函数/API，从而获取实时信息、执行精确计算或操作本地系统。

在 RAG（检索增强生成）系统中，输出解析器（Output Parser） 的主要职责是对 LLM（大语言模型）生成的原始文本进行格式化和后处理，使其变成下游任务能够直接使用的结构化数据。 简单来说，

注：以下内容来源于网络，用来学习 2026年AI行业招人标准已经变了，这三个能力是必不可少的。很多人还不知道，现在企业招AI工程师，根本不是招只会调用模型的人，而是招能把模型变成系统的人。如果你只会调

1. LangChain / LangGraph 核心优势：生态最丰富，几乎能与所有模型和工具集成；高度灵活，LangGraph支持复杂的循环和图状智能体流程。 主要局限：学习曲线陡峭；版本更新快，偶

一、 RAG 效果评估的必要性 评估出 RAG 对大模型能力改善的程度 RAG 优化过程中，通过评估可以知道改善的方向和参数调整的程度 二、 RAG 评估方法 1.人工评估 最基础的方式是进行人工评估

1 文档加载准确性和效率 优化文档读取器 一般知识库中的文档格式都不尽相同，包括HTML、PDF、MarkDown、TXT、CSV等。每种格式文档都有其独有的数据组织方式。核心优化方向是：在读取这些数

AI初认识（RAG 之 本地向量库与向量持久化） 其流程如下： 其具体知识后续 若能看懂，再继续更新。

二、RAG核心 1.向量 (Vector) 与 Embeddings 1.1 向量 (Vector) 与 Embeddings 的定义 向量，可以理解为从原点 (0, 0, ...) 指向空间中某个点

掘金：https://agijuejin.feishu.cn/wiki/Ae1DwHrlQi14yRkKSz3cXLQ1n6f 知乎博主:https://www.zhihu.com/people/st

Retrieval-Augmented Generation，RAG，检索增强生成的基础概念与基础知识

在AIAgent的实现过程中，SelfAsk和SelfReflection是两种关键的元认知（Metacognition）机制。

看懂这张图，也就读懂了智能体的核心逻辑。它有记忆、它有工具、它有思考、它有规划、它有行动、它有观察。。。

ReAct一边思考一边干，推理与行动交交互进行 PlanAndExecute先集中规划，再集中执行，这2段分离 两者可结合使用

提示词工程（Prompt Engineering）中的核心要素，也就是如何向大语言模型提问，才能得到高质量的回答。

ai小白，刚开始学习，对aI的初认识，包括基础能力、核心技术、生成式人工智能、交互方式的初步认识了解。