桜吹雪

面对日益臃肿的 node_modules 目录和复杂的 package.json，你是否感到头疼？作者认为，虽然现代Web开发离不开丰富的依赖，但这并不意味着我们应该放任其野蛮生长。

许多LLM（大型语言模型）应用程序在LLM调用之前和/或之后执行特定的步骤控制流。例如，RAG（检索增强生成）会检索与问题相关的文档，并将这些文档传递给LLM，以便为模型的回答提供依据。

本文档对模型上下文协议（MCP）进行概述，涵盖其应用范围、核心概念，并通过示例展示每个核心概念。该部分阐述了MCP服务器如何向人工智能应用程序提供上下文信息。

十分钟魔法练习，改写自 十分钟魔法练习-玩火 原版为 Java 实现，抽象与组合，希望能在十分钟内教会你一样魔法

Node.js 自诞生以来经历了显著的变革。如果您使用 Node.js 已有数年，您很可能亲身见证了它的演进——从重度依赖回调、CommonJS 主导的环境，发展到如今基于标准的、简洁的开发体验。

在许多问答应用中，我们希望允许用户进行多轮对话，这意味着应用需要具备某种对历史问答的"记忆"能力，以及将这些信息融入当前思考的逻辑。本文将扩展实现以支持对话式交互和多轮检索流程。

LangChain 中的工具抽象将 TypeScript ​函数与定义函数名称、描述和输入的模式关联起来。工具可以传递给支持工具调用的聊天模型，允许模型请求执行具有特定输入的特定函数。

大型语言模型（LLM）最强大的应用之一就是​​复杂问答（Q&A）聊天机器人​​。这类应用能够基于特定源信息回答问题，其核心技术称为​​检索增强生成。

上一篇讲了基本的调用LLM，还有简单或者灵活的去使用模板生成提示词，以及使用提示词+解析器实现结构化的输出，这一节介绍一下Loader、Embedding和搭建向量数据库，最后实现一个简单的RAG