大模型教程

Hugging Face 是一个提供先进自然语言处理（ NLP ）工具的平台，支持 Transformer 模型的开发和应用。它拥有庞大的模型库和社区资源，能够满足从研究到工业应用的各种需求。

LangChain 是一个 AI 应用开发的生态，包括了开发框架、社区生态和扩展生态。其中，最重要的，也是构成整个生态基础的就是开发框架。

Agent更加依赖LLM的推理决策能力，通过增加规划、记忆和工具调用的能力，构造一个能够独立思考、逐步完成给定目标的智能体。

本文不讨论公式，只解读图表，旨在让更多读者看完就能通俗地、成体系地给身边其他人讲清楚 Transformer 工作原理，从而真正理解它究竟为什么如此火爆。

LangChain是一个开源框架，用于开发由大语言模型(LLMs)驱动的应用程序，比如，搭建智能体（Agent）、问答系统（QA）、对话机器人、文档搜索系统、企业私有化知识库等。

Google 发布的 A2A (Agent2Agent) Protocol正是为了解决这类问题。其作用未来或许可以和Anthropic 推出的 MCP (Model Context Protocol)

这个 RAG流 可以被视为由多个子函数组成的图形结构。通过控制逻辑，这些子函数会按预定的顺序执行，同时也能根据需求进行条件判断、分支或循环。

今天测试过程中遇到的问题主要有以下几种现象，随着对话轮数的增多，智能体无法准确识别工具并调用，甚至开始使用自身的知识和历史记录进行回答；并且，无法保证知识来源的准确性。

微调大语言模型是利用特定任务或领域的定制数据集，对预训练模型进行调整,而检索增强生成（RAG）则将检索系统与生成模型相结合，动态地将外部的、最新的知识融入生成结果中。