数据智能老司机

本章内容 LLM 的局限以及为何需要工具 工具调用与执行 自定义工具的构建与集成 通过类与装饰器进行工具抽象 用 MCP（Model Context Protocol）标准化工具 到目前为止，你已经了

本章内容 LLM 的核心能力 如何选择合适的 LLM 使用 LLM 的 API 提示工程（Prompt Engineering）技巧 通过一个 GAIA 基准题动手求解 在全书中，我们将构建一个“研究

本章内容 了解什么是 LLM Agent，以及何时使用 LLM Agent 的组成部分 从零开始构建一个 Agent 2023 年大型语言模型（LLM）的兴起，以及 2024 年检索增强生成（RAG）

本章内容 我们框架中用于对接 LLM 的基础类 基于 Ollama 实现一个可使用任意开源 LLM 的类 一次完整的工具调用（tool-call）流程演示 在上一章中，我们开启了 “从零实现 llm-

本章内容 规范工具的基类，以在框架中统一工具的使用方式 定义支撑“工具调用（tool-call）”流程的数据结构 将 Python 函数包装成可供 LLM 与 LLM Agent 使用的“工具” 你已

本章内容 LLM 智能体与多智能体系统（MAS）的真实落地应用 什么是 LLM 智能体，以及为何“仅有 LLM”并不够 设计 LLM 智能体的重要模式、增强手段与协议 何时应采用多智能体系统 构建 L

本章内容包括 使用 Anaconda 用 conda 创建虚拟环境 在 pipeline() 函数中使用 GPU 使用 Hugging Face Hub 包 在第 1 章中，你已经看到了将要用 Hug

本章内容包括 Hugging Face 的核心定位 Hugging Face Transformers 库 Hugging Face 托管的各类模型 Gradio 库 Hugging Face 是一个

本章内容 自回归式 LLM 推理为何低效 解决方案：键值缓存（Key-Value Cache, KV Cache）及其代价 MQA 与 GQA：第一代缓解 KV Cache 内存压力的方案 要理解 D