关于此博客的搭建 搭建背景以往记录笔记主要是使用印象笔记这个软件,但作为开发来说还是得有个自己的技术博客之类的网站方便分享和交流,毕竟学习的东西也是通过别人的分享一点点积累起来的。 写在这里自己可以用到的时候翻一下,也希望自己写的东西能帮助到碰到相同问题的人。 所有文章都是记录一些开发过程中遇到的问题或者学习中的一些知识点, So : 本站所有文章皆非技术专栏非某技术官方文档, 且有些地方并不会详细介绍, 如有疑惑 2021-10-01 随笔 Hexo 博客 随笔
开发环境搭建必装软件 个人新电脑搭建开发环境常用软件 ：开发环境：nvm || node nginx mysql git || svn 必装软件推荐Apifox || Postman Cursor 、 Webstorm 、 Pycharm Beyond Compare 4 (文件对比工具) Sourcetree (git图形化应用) ssh工具：xterminal || Xshell || Electerm Snip 2021-10-01 Web开发 开发环境
前端学习网站整理(持续更新...) 在线书籍或博客：Github书籍汇总：https://github.com/itdevbooks/pdf 书栈：https://www.bookstack.cn/ 深入浅出Webpack ： http://webpack.wuhaolin.cn/ 前端笔记： https://www.kancloud.cn/surahe/front-end-notebook/781957 2021-11-24 随笔 随笔
LlamaIndex学习4-2：RAG索引存储 存储介绍经过上一篇的测试，不管是长文档还是短文档，都会每次先进行向量化和建立索引，这里使用一下官方介绍的索引存储功能，来减少每次创建索引的步骤和模型消耗： 根据这篇文档说明：https://docs.llamaindex.ai/en/stable/module_guides/models/embeddings/#huggingface-optimum-onnx-embeddings LlamaIn 2025-04-22 AI相关 LlamaIndex
LlamaIndex学习4-1：RAG尝试-向量索引 LlamaIndex RAG尝试在前三篇文章中，分别学习了LlamaIndex的基本模型对话、会话状态管理和流式输出。本篇将聚焦于检索增强生成(RAG)的实现与应用，这是大语言模型与知识库结合的关键技术，能够让模型回答特定领域的问题。 1. RAG的基本概念RAG(Retrieval-Augmented Generation)检索增强生成是一种结合检索系统和生成模型的方法，它通过以下步骤工作： 2025-04-22 AI相关 LlamaIndex
LlamaIndex学习3：流式输出 LlamaIndex流式输出在前两篇文章中，学习了LlamaIndex的基本模型对话和会话状态管理。本篇将聚焦于流式输出（Streaming Output）的实现与应用。流式输出是提升用户体验、实现实时交互的关键能力，尤其适用于对话型AI和长文本生成场景。 1. 流式输出的概念与优势传统的LLM调用方式通常是一次性返回完整结果，而流式输出则允许模型边生成边输出内容。这种方式带来了多方面的优势： 2025-04-18 AI相关 LlamaIndex
LlamaIndex学习2：会话状态管理与持久化 LlamaIndex会话状态管理与持久化在上一篇文章中介绍了LlamaIndex与不同API的基本调用方式，这篇文章将探讨LlamaIndex的会话状态管理功能，这是构建具有记忆能力的AI应用的关键部分。 1. 状态管理的重要性在与LLM交互过程中，保持对话上下文至关重要。如果没有状态管理： 用户每次提问都变成独立对话 模型无法记住之前的信息 无法构建连贯的交互体验 LlamaIndex提供了 2025-04-16 AI相关 LlamaIndex
LlamaIndex学习1：基本模型对话 LlamaIndex基本模型对话 - 不同API的调用方式从这篇文章开始学习LlamaIndex，它是一个强大的数据框架，专门为解决LLM与数据之间的”信息鸿沟”问题设计的。简单来说，它就像是给大语言模型装上了”眼睛”，让模型能够看到并理解我们自己的数据。 这篇文章主要记录我如何使用LlamaIndex调用不同平台的模型API，特别是一些非官方支持的模型平台。 1. OpenRouter平台模型调 2025-04-14 AI相关 LlamaIndex
Langgraph学习6：WebAgent支持网页内容抓取 在前面一篇Langgraph学习4的文章中，基本实现了一个能够进行Web搜索的AI助手。尽管搜索工具可以获取网络信息，但常常只返回搜索结果的简短摘要或链接，而不是完整内容。本篇我们将进一步扩展这个助手，让它能够抓取并分析网页内容，从而提供更深入的信息。 1. 搜索→抓取→总结的工作流首先，需要设计一个更复杂的工作流： chat_bot → search_tool → crawl4ai_tool → 2025-04-12 AI相关 Langgraph
Langgraph学习5：AI爬取工具crawl4ai 随着大语言模型(LLM)应用的发展，获取高质量的网络内容成为构建智能应用的重要环节。本文将介绍一个专为AI设计的爬虫工具——crawl4ai，并展示如何将其集成到Langgraph框架中，为AI助手提供更强大的信息获取能力。 1. crawl4ai简介GitHub：https://github.com/unclecode/crawl4ai文档地址：https://docs.crawl4ai.com 2025-04-12 AI相关 Langgraph crawl4ai