AI大模型

在人工智能（AI）快速发展的今天，AI模型与外部工具的集成成为提升工作效率的关键。然而，传统集成方式存在接口碎片化、开发成本高、安全风险大等问题。

本文介绍了如何使用 DeepSeek API 打造个人 AI 知识库。此过程中需搭配嵌入模型，将知识库内容向量化，实现高效检索。DeepSeek 在获取知识库检索结果后，可以输出更清晰、准确的回答。

LangChain4j 支持模型上下文协议（MCP），用于与符合 MCP 标准的服务器通信，从而调用并执行工具。

笔者在这个周末在学习 MCP 时，写下该笔记，尽可能提供更多的示例和讲解，帮助读者理清楚 MCP 和 LLM 之间的关系，已经如何实际落地使用 MCP。

RAG为LLM提供了从某些数据源检索到的信息，并基于此修正生成的答案。RAG基本上是Search + LLM提示，通过大模型回答查询，并将搜索算法所找到的信息作为大模型的上下文，查询和检索到的上下文都

DeepSeek R1 + ollama + ragflow 使用 docker 部署（Windows）

Dify是一款开源的大语言模型（LLM）应用开发平台，旨在简化生成式AI应用的开发、集成和部署过程。

Dify是一个全面的大语言模型应用开发平台，支持复杂工作流、多模型协作与企业级知识治理。提供 AI 工作流、RAG 管道、Agent、模型管理等丰富功能组件，能深度定制 AI 应用。

通过三篇内容将最近学的内容梳理了一遍，从基本概念理解，到动手搭建，再到参数调整，最终达到一个基本可用的状态，所有数据都在内网流转；效果没有想像中的那么完美，但是用于知识库是可行的。