- 博客(82)
- 收藏
- 关注
RSS订阅原创 【基于 LangChain 的异步天气查询5】多轮对话天气智能助手
本项目是一个智能聊天和天气查询助手，结合了文本和语音输入/输出功能，提供互动式对话体验。主要功能包括：1. 天气查询：通过GeoNames和OpenWeatherMap API获取天气数据，支持中文城市名查询，返回天气描述、温度、湿度、风速等信息。2. 多轮对话：使用RunnableWithMessageHistory和ChatMessageHistory实现多轮对话，保存聊天记录，确保对话连贯性。3. 语音交互：通过speech_recognition和pyttsx3库实现语音输入和输出，提升用户体验。4
2025-05-11 20:50:38
719
原创 【基于 LangChain 的异步天气查询4】加入语音输入/朗读
本文介绍了一个基于Python的天气查询项目，通过语音或文本输入城市名称，获取并播报该城市的天气信息。项目依赖包括pyttsx3、SpeechRecognition、pyaudio和python-dotenv等库。文件结构包括.env配置文件、main.py主程序文件和weather_runnable.py天气查询模块。weather_runnable.py通过GeoNames API获取城市经纬度，再调用OpenWeather API获取天气数据，并利用LangChain构建AI分析管道。main.py提
2025-05-11 00:56:04
840
原创 【基于 LangChain 的异步天气查询3】OpenWeather实现实时天气查询
该项目是一个智能天气查询助手，结合了LangChain、Deepseek-r1和天气API，支持通过中文城市名获取实时天气数据，并提供AI生成的简洁自然建议。主要功能包括：1. 使用GeoNames API识别城市并获取经纬度信息；2. 通过OpenWeather API获取天气数据，如温度、湿度和风速；3. 利用Deepseek-r1模型分析天气并生成生活建议；4. 支持异步运行，使用asyncio.run()；5. 通过.env文件隔离配置，保护API密钥安全。项目结构清晰，包含.env、main.py
2025-05-10 23:03:02
728
原创 【基于 LangChain 的异步天气查询2】GeoNames实现地区实时气温查询
本文介绍了如何利用Langchain框架结合GeoNames API实现地区温度的实时查询，并通过GPT-4o生成天气描述。首先，用户需在GeoNames官网注册账号以获取地理经纬度信息。随后，通过编写Python代码（weather_runnable.py），使用aiohttp和requests库从GeoNames和Open-Meteo API获取指定城市的温度数据。代码中定义了一个异步函数fetch_weather，用于查询并返回城市温度。最后，通过Langchain的ChatPromptTemplat
2025-05-10 19:11:19
648
原创 【基于 LangChain 的异步天气查询1】异步调用 Open-Meteo API 查询该城市当前气温
用户输入地点（城市名）构造提示词（Prompt）生成自然语言问题异步调用 Open-Meteo API 查询该城市当前气温调用 OpenAI GPT-4o 模型，让它基于气温给出外出建议。
2025-05-10 16:35:39
373
原创 【Langchain】根据LCEL规范实现Runable interface
LCEL（LangChain Expression Language）是LangChain中用于组合和控制语言模型、工具、链等逻辑的规范。在LCEL中，任何可执行的模块都应实现Runnable接口，该接口的核心方法是invoke（同步）或ainvoke（异步）。通过实现这些方法，自定义组件可以与LLM、Chain、Tool等模块无缝组合。文章展示了如何创建简单的Runnable，如反转字符串和添加时间戳，并进一步演示了如何实现一个复杂的Runnable，通过调用Open-Meteo API获取城市实时气温。
2025-05-10 15:29:19
502
原创 【LangSmith Tracing】链路跟踪配置——附运行代码示例
LangSmith Tracing 是 LangChain 官方推出的一个，它是你开发智能代理、链（Chain）或多工具交互系统时非常强大的帮手。简单说，它就是 LangChain 的「
2025-05-09 18:53:58
1241
原创 【Tavily AI】AI 模型插上实时搜索的翅膀：构建强大的 RAG 系统
是一家专注于的人工智能公司。它的核心产品是一个，主要用于在构建 AI 应用（比如聊天机器人、智能问答系统、RAG 系统等）时，实现精准、高效的信息检索。
2025-05-09 14:00:21
929
原创 【Prompt工程—文生图】案例大全
本文主要介绍了12种不同类型的文生图技巧，通过加入不同的图像类专业术语，风格词汇，可以更好的对图像进行熏染生成。
2025-05-07 23:25:58
1659
原创 探索开源大模型体系：当今AI的引领者
开源大模型体系的崛起，为AI开发者和研究者提供了前所未有的机遇。从Hugging Face的易用性到OpenAI GPT的创新能力，从DeepSpeed的高效训练到Megatron-LM的强大性能，再到AllenNLP的研究支持，这些大模型相辅相成，共同推动着人工智能技术的进步。随着开源社区的不断发展，我们也期待未来能有更多杰出的开源大模型出现，推动更多创新应用的落地。在这个快速发展的领域，掌握这些大模型的特点和应用，将有助于开发者和研究者在AI的浪潮中立于不败之地。
2025-05-06 23:57:13
639
原创 【最大token限制】如何科学管理Token？大模型应用开发的成本与性能优化指南——附代码
优秀的AI开发者如同精明的船长：通过tiktoken掌握语言海洋的深度用max_tokens把控航行的方向借助监控系统预警潜在的风暴在这个按Token计费的时代，对语言单位的精细管理，将成为区分优秀应用与平庸产品的关键分水岭。
2025-05-04 20:56:38
1161
原创 【查看.ipynp 文件】
ipynp并不是常见的 Jupyter Notebook 文件格式。通常，.ipynb（即nteractivehonoteook）。如果你遇到的是.ipynb。
2025-05-03 23:05:12
677
原创 【dify—10】工作流实战——文生图工具
本文主要介绍了通过创建工作流 完成了一个文生图的简单流程。讲解了从配置硅基流动，Postman测试API，代码执行提取url地址到实现发布的全流程。
2025-05-02 23:38:14
1093
原创 【dify—9】Chatflow实战——博客文章生成器
本文主要介绍了通过Chatflow创建工作流，完成了一个简易的博客文章生成器。主要通过输入主题名称，即可生成优质的博客文章。
2025-05-01 23:56:39
700
原创 【dify—8】Agent实战——占星师
本文主要介绍了dify中，通过创建Agent，实现了一个“占星师”的应用。通过创建提示词、变量，添加时间工具让大模型能够获取实时时间。完成简单的占星功能。
2025-05-01 18:51:40
485
原创 【dify—7】文本生成应用实战——学员周报生成
本文主要介绍文本生成应用的基本创建和使用方法 ，通过实操创建了一个“学员周报生成器”，主要是以少儿编程教师的身份，通过简单的特征填写，就可以生成较优质的周报文案。
2025-05-01 15:43:33
386
原创 【dify—6】聊天模型应用实践
说明（1）模型选择：默认会选择我们前面所安装好的Ollama模型，也可以自己再下载添加一些在线大模型；（2）模型参数调整：先保持默认。如果需要调的话必须得知道每个参数的作用，以便符合我们所创建的大模型； 新下载模型插件，运行本地模型如果电脑配置不行，非常容易造成卡顿，所以换成在线插件这里下载的是Deepseek的，到其官网去申请即可官网地址：DeepSeek 如果你的电脑可以带动本地模型，可使用Ollama中的本地模型；如果你的电脑在对话过程中出现卡顿现象，可通过下载插件模型，并切换至dify的插件模型；
2025-05-01 00:39:45
755
原创 【dify—2】docker重装
WSL 虚拟硬盘文件（.vhdx）路径# 默认存储位置D:\wsl\ # 如果你曾自定义过安装路径手动检查dir /s "D:\wsl\*.vhdx" # 按实际路径替换清理命令。
2025-04-29 14:51:10
1190
原创 【dify+docker安装教程】
最新！Windows上安装Docker Desktop教程，并解决WSL问题并汉化_windows安装docker desktop-CSDN博客在 Windows 上安装Docker，运行时会出现WSL --updata的问题导致一直卡在docker 界面进不去，查了不少博客，原来是需要先 安装 WSL 2 并配置至少一个 Linux 发行版，才能正确运行docker Desktop。
2025-04-28 23:22:09
913
原创 【SwitchyOmega安装教程】
在扩展中心打开右上角的 【开发者模式】按钮，然后【刷新】页面，把下载好的 .crx 文件拖入扩展中心。点击浏览器右上角 ⋮ > 扩展程序 > 点击 管理扩展程序。下载插件，并在浏览器提示中选择【保留】
2025-04-26 23:22:45
775
原创 【Deepseek提示工程实用小技巧】
你现在是一个可以进行AI图片生成的机器人，等待我给你一些提示，然后发挥你的想象力J去完善这幅图片的描述，并转换成英文进行encoded后填充到下面url的占位符(description)中，不要引用生成的markdown或在其周围放置任何代码框，直接显示图片!（明确视频核心内容，如"科技产品宣传片"、"古风言情短剧"、"科普动画"等）（如"赛博朋克风格"、"3D卡通渲染"、"电影级实拍质感"、"水墨动画"）（如"紧张悬疑"、"温馨治愈"、"未来科技感"）氛围：科技感、炫酷、人性化。
2025-04-25 18:57:35
1112
原创 【多智能体系统通信机制】消息传递与黑板系统的博弈与融合
消息传递与黑板系统，如同人类的“语言”与“文字”，各有其适用之境。设计MAS通信机制时，需在实时性、复杂度与可靠性间找到平衡。当智能体既能“窃窃私语”，又能“共绘蓝图”，多智能体系统的协作智慧将真正超越个体极限，开启人机共生的新篇章。讨论话题：如果你要设计一个智慧农业MAS，你会选择哪种通信机制？为什么？欢迎分享你的方案！
2025-04-24 18:32:11
781
原创 【多智能体系统组织方式解析】五大架构赋能智能协作
多智能体系统的组织方式，本质是权力、效率与灵活性的三角博弈。未来的MAS或将融合多种模式——平时以单元结构运行，遇到突发任务动态切换为联盟，而关键任务时升级为团队。当智能体不仅能自主行动，还能自主“选择如何协作”，我们便真正迈向了自组织智能的新纪元。讨论话题：如果你要设计一个外卖配送MAS，你会选择哪种组织方式？为什么？欢迎分享你的设计思路！
2025-04-24 16:56:13
1300
原创 【多智能体系统（MAS）】协作智能的奥秘与未来应用
多智能体系统（MAS）自主性：独立感知环境、决策和行动。交互性：通过通信或环境间接协作/竞争。目标驱动：为实现个体或集体目标而行动。核心思想：将复杂问题拆解为子任务，分配给多个智能体并行处理，最终通过协作达成全局目标。MAS vs. 单智能体系统对比维度单智能体系统多智能体系统（MAS）任务处理集中式，依赖单一实体分布式，多实体协作可靠性单点故障风险高局部故障不影响全局（高容错）灵活性适应静态环境动态调整，适应复杂变化成本需高性能硬件资源分散，低成本部署。
2025-04-24 15:42:27
850
原创 【多智能体系统】特点解析与高效组织策略
多智能体系统的魅力，在于将简单的个体行为转化为复杂的群体智能。从蚂蚁觅食的启发，到城市大脑的构建，MAS的设计哲学始终围绕着“整体大于部分之和”。未来的智能体系统，或许不再是冰冷工具的集合，而是能感知环境、自适应调整、甚至具备“群体意识”的有机网络。当每个智能体既独立又共生，我们离真正的“智能生态”也将更近一步。互动话题：你认为未来的多智能体系统会在哪些领域率先突破？欢迎留言讨论！
2025-04-24 15:22:44
954
原创 从感知到行动：大模型时代下AI Agent的进化之路
在人工智能领域，Agent（智能体）是一个古老而经典的概念。它指的是一种能够自主感知环境、理解信息、规划决策并执行任务的软件实体。让机器像人类一样思考和行动。随着大语言模型（LLM）的爆发式发展，AI Agent的能力被推向全新高度。借助大模型的“大脑”，Agent不仅能够更自然地与人类交互，还能完成复杂任务的自主闭环处理。本文将深入解析Agent的核心原理，并探讨大模型如何重塑这一领域的未来。从“机械执行命令”到“自主思考行动”，AI Agent的进化本质是人类认知边界的延伸。
2025-04-24 13:58:09
661
转载 【RAG系统】7大关键评估指标
在企业内部当中，如果想要去提高公司内部某些领域的运营效率（如公司内部规章：新员工可以通过该应用进行了解），构建一个RAG应用，我们就需要准备一堆的知识库文档塞进去，通过检索实现又快又准的信息。但既然是大模型，那必然会存在穿帮，出现幻觉的情况。本文件通过几个指标详细说明：如何从一个反馈乱七八糟的RAG系统，到现在逐渐走向稳定的生产环境?
2025-04-20 19:05:36
78
转载 【LLMs 应用开发框架 】Semantic Kernel 和 LangChain 比较
Semantic Kernel生态比起 LangChain 还差点，但是背靠大厂“巨硬”，这点也能快速赶上，设计整体奔着构建生产级应用去的，把LangChain的一些缺点基本都规避了。的封装实现为例，将向量数据库和搜索引擎结合起来，只需几行代码就可以完成复杂功能，加速MVP实现，需求验证。LangChain 的缺点主要是过度封装，Prompt 模板组件做这么抽象实在没必要，应用调试和生产环境可观测性方面都不太友好，软件工程方面的组织相对较差。LangChain 的优势在于丰富的组件支持，以。
2025-04-18 21:02:38
24
原创 Semantic Kernel 核心组件 Pipeline：AI 应用的流程引擎
Pipeline 是 Semantic Kernel 中用于将多个技能或模型按逻辑顺序串联，并通过自动化上下文传递与异步执行来编排复杂 AI 任务的核心流程引擎。
2025-04-18 17:30:42
1289
原创 【Semantic Kernel核心组件】planner：大模型时代的智能任务编排引擎
Semantic Kernel的Planner组件正在重塑AI应用开发范式。通过将自然语言转化为可执行计划，开发者可以专注业务逻辑创新，而无需深究底层实现细节。随着1.0正式版的发布，该组件已在实际生产环境经受住日均百万级调用的考验（微软技术博客数据）。对于渴望拥抱智能编排技术的开发者而言，现在正是深入探索Planner组件的最佳时机。
2025-04-18 16:45:24
1296
原创 【Semantic Kernel核心组件】Plugin：连接AI与业务逻辑的桥梁
Plugin是连接大语言模型（LLM）与确定性代码的核心组件。它通过将自然语言语义与程序函数绑定，实现了从“不确定的AI推理”到“确定性的业务逻辑”的转化。例如，用户可以通过自然语言指令“购买3斤苹果”，触发SK调用后台的库存扣减和支付接口。：LLM生成的文本具有不确定性（如“购买水果”可能对应多种操作），而Plugin通过预定义的函数和参数约束，将模糊指令转化为精准动作。：每个Plugin可独立开发、测试和部署，支持跨项目复用。执行结果：北京天气：25℃ 晴，库存更新：苹果剩余97件。
2025-04-17 18:23:03
636
原创 【Semantic Kernel核心组件】Kernel：掌控AI编排的“中央处理器“
它如同智能应用的"操作系统内核"，通过统一接口实现大语言模型（LLM）与传统代码的深度协同（网页4/网页8）。作为Semantic Kernel（SK）框架的"中央处理器"，Kernel承担着。：内置请求追踪与性能指标。：使用YAML管理模型参数。
2025-04-17 17:30:50
490
原创 【专业解读：Semantic Kernel（SK）】大语言模型与传统编程的桥梁
是微软推出的开源轻量级SDK（软件开发工具包），专为将大语言模型（LLM）与传统编程语言（如C#/Python/Java）深度结合而设计。它通过抽象化的组件架构，帮助开发者以“插件化”方式构建智能应用，既保留传统代码的精确性，又融入LLM的自然语言理解与生成能力，是当前AI原生应用开发的核心框架之一。降低AI集成门槛：封装LLM调用、上下文管理、函数编排等复杂逻辑，开发者无需深入理解模型细节即可调用AI能力。解耦与扩展性。
2025-04-17 15:02:19
993
原创 Semantic Kernel vs LangChain：开发者视角的深度对比与选型指南
Semantic Kernel与LangChain的竞争，本质是“工程严谨性” vs “开发敏捷性”的权衡。随着LLM技术的演进，二者可能走向融合——SK吸收LangChain的灵活组件，LangChain借鉴SK的工程化设计。开发者应根据团队基因与项目阶段理性选型，而非盲目追随技术潮流。
2025-04-17 00:37:53
939
原创 【LangChain核心组件】Callbacks机制深度剖析与实战指南
说明：该代码主要是颜色定义和执行回调函数的一种形式，不可运行。"""基础回调处理器，可用于处理来自langchain的回调。""") -> Any:"""当LLM开始运行时触发。""") -> Any:"""当聊天模型开始运行时触发。""""""生成新LLM token时触发。仅在启用流式传输时可用。""""""当LLM运行结束时触发。""") -> Any:"""当LLM发生错误时触发。""") -> Any:"""当任务链开始运行时触发。""""""当任务链运行结束时触发。"""
2025-04-16 23:25:58
899
原创 【LangChain核心组件】Memory：让大语言模型拥有持续对话记忆的工程实践
通过合理运用Memory组件，开发者可以构建出具备以下能力的智能对话系统：✅ 30轮以上连贯对话✅ 个性化上下文感知✅ 长期用户画像记忆✅ 跨会话状态保持工作流程图。
2025-04-16 20:02:13
1283
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人