【AI】十六.模型Agent智能体进阶开发实战
大模型智能体之CoT思维链和ReAct推理行动 需求背景：为什么需要CoT/ReAct？ 问题场景：传统大模型直接输出结果，但复杂任务（数学推理/多步骤决策）易出错 核心需求：让模型展示思考过程 + 动态调整策略
【AI】十五.大模型链路调试平台之LangSmith实战
大模型LLM调用链路分析和LangSmith介绍 需求背景 开发基于大语言模型（LLM）的智能体时，会遇到以下问题： 调试困难 LLM 的输出不可预测，难以追踪中间步骤（如思维链、工具调用）。 错误定位耗时（如工具返回异常，但不知道具体哪一步出错）。
【AI】十四.进阶LLM之Agent智能体和Tool工具实战
大模型Agent智能体介绍和应用场景 什么是智能体Agent 是一种具备自主决策能力的AI系统，通过感知环境、分析信息、调用工具、执行动作的闭环过程完成任务 智能体 = 大语言模型（LLM） + 工具（Tools） + 记忆（Memory）
【AI】十三.Runnable解析和多实现类案例实战
什么是`Runnable`接口 是LangChain框架中所有组件的核心抽象接口，用于封装可执行的逻辑单元（如模型调用、数据处理、API集成等）
【AI】十二.Retrievers检索器+RAG文档助手项目实战
什么是Retriever 统一接口：标准化检索流程，无论数据来源如何，最终输出`Document`对象列表。 多源混合检索：支持同时查询向量库、传统数据库和搜索引擎【提高召回率】
【AI】十一.Milvus向量数据库多案例实战
安装 Milvus Python SDK， 支持 Python、Node.js、GO 和 Java SDK。 建议安装与所安装 Milvus 服务器版本相匹配的 PyMilvus 版本
【AI】十.大模型必备技术Milvus向量数据库
向量数据库介绍和技术选型思考 为什么要用向量数据库，不能用MySQL存储 文档块通过嵌入模型处理后得到对应向量，下一步就是将向量存储到数据库中，方便后续进行检索使用
【AI】九.RAG系统必备之嵌入大模型Embedding
什么是文本嵌入Text Embedding 文本嵌入（Text Embedding）是将文本（单词、短语、句子或文档）映射到高维向量空间的技术。
【AI】八.人工智能和高等数学核心基础扫盲
向量就是一串有序的数字，像一条带方向的“箭头”, 在机器学习里面尤其重要
【AI】七.RAG检索增强生成之文档切割
RAG系统链路构建之文档切割转换 构建RAG系统：涉及的技术链路环节: 文档加载器->文档转换器->文本嵌入模型->向量存储->检索器