大模型应用技术实践

MysticMirror 自研大模型全维度自动化测试套件（42 项用例）本文档为 MysticMirror 自研大模型的全覆盖自动化回归测试套件，整合原有 22 项基础回归测试与 20 项新增边界能力测试，共计 42 个测试用例。全面覆盖模型配置校验、RoPE 位置编码（原生 / YaRN 缩放 / 长序列外推）、注意力掩码、KV 缓存两种格式兼容性、混合精度训练、权重绑定、MoE 混合专家机制、训练梯度与损失收敛、解码策略、采样参数校验、输入合法性校验、流式生成、模型保存加载、dropout 与隐层输出、多终止符生成、异常报错分支等核心模块。可完整验证模型前向推理、训练流程

LangGraph 基于状态图构建工作流入门传统LangChain是LLM应用的组件工具箱，以Chain与Runnable为核心抽象，提供提示词模板、文档处理、向量检索、工具调用、记忆能力等标准化组件，目的是快速构建简单线性的LLM任务。而LangGraph是面向复杂场景的状态图编排运行时，专注于有状态、可动态迭代的智能体工作流精细管控。它基于节点、边与全局状态三大原语，并支持带环拓扑结构，能够高效适配智能体自主决策、循环迭代的复杂生产级业务场景。

基于 LlamaIndex+PostgreSQL 实现RAG持久化前文《基于 LlamaIndex 实现 RAG 向量检索入门》已完成本地大模型与 Embedding 向量检索的基础搭建，但仅支持临时向量存储，无法持久化复用。本文将在此基础上实现 RAG 持久化存储方案，借助 PostgreSQL + pgvector 向量插件对接 LlamaIndex。环境采用 CentOS Stream 10，演示数据库编译安装与插件配置，基于 VectorStoreRetriever 实现持久化向量检索，搭建可稳定复用的本地 RAG 服务。

基于 LlamaIndex 实现RAG向量检索入门本章将通过多个案例实现私有数据集检索功能，虽然 LangChain 也可以实现向量检索，但在企业级项目中，通常会选用 LlamaIndex 这类专门面向检索场景的框架。LlamaIndex 是 MIT 协议开源、以 RAG 为核心的大模型应用开发框架。它充当大模型与私有数据之间的中间层，能够接入 PDF、Word 等各类本地或内网文档，对原始数据构建索引，以此解决大模型无法读取私有资料、容易产生幻觉的问题，可用于搭建知识问答、AI 智能体等应用。

基于魔搭 MS-Swift 实现大模型微调落地指南在大模型二次开发学习阶段，手写训练代码可以帮助我们吃透模型微调底层逻辑，做到知其然更知其所以然。但落地到企业生产环境，我们更追求标准化流程、高复用能力与稳定可靠的工程化方案。MS-Swift 作为阿里达摩院魔搭社区开源的一站式大模型开发框架，集成了模型训练、微调、推理、量化部署全链路能力，兼容数百款大主流模型与多种微调、对齐算法。本章我们就借助 MS-Swift 这类成熟工具，学习如何用标准化流程快速完成大模型二次训练，实现快速将模型能力深度集成进企业业务系统。

基于 HuggingFace Tokenizers 训练自定义分词器在大模型开发流程中，分词器（Tokenizers）是文本预处理的核心组件。神经网络无法直接理解人类的原始文本，分词器的核心作用，就是将自然语言转换为模型可用于计算的数值序列。Hugging Face Tokenizers 是底层由 Rust 编写的高性能开源分词库，原生支持 BPE、WordPiece、Unigram 等多种分词算法，内置批量处理、padding、truncate 等能力，可适配绝大多数开源大模型。本文将编写分词器训练脚本，基于高质量语料，参考 Qwen3 分词器的设计思路，从零训练一套自

基于 vLLM+Nginx 构建负载均衡推理集群企业内部私有环境部署大模型推理集群时，很容易遇到流量调度混乱、节点负载失衡、会话上下文丢失、接口缺少鉴权防护等一系列问题，单 vLLM 推理节点难以支撑并发请求。本文基于 Ubuntu 22.04 系统环境，搭建 Nginx + vLLM-Semantic-Router + vLLM-Router + vLLM Node 多层推理集群。全文从环境准备、模型拉取、组件分步部署、Nginx SSE 流式反向代理，一直到接口联调验证，完整记录一套可直接复现的落地方案。

LLama-Factory 实现大模型LoRA-SFT微调指南LLaMA Factory 是一款开源、低代码、一站式大语言与多模态模型微调框架，用于降低大模型的微调落地门槛。框架兼容 Qwen、LLaMA、ChatGLM、LLaVA 等上百款主流开源模型，支持增量预训练、SFT 监督微调、DPO、KTO、ORPO 等多种训练对齐方案，原生集成 LoRA、QLoRA 量化微调技术，可在消费级显卡完成轻量级模型微调。框架支持可视化网页端和命令行双操作模式，完整覆盖模型训练、评估、权重合并、推理部署全流程，适配科研实验、行业轻量化模型定制等场景。

千问大模型完整RLHF全参数微调指南大模型微调是实现模型领域定制的核心方案，本文承接《千问大模型二次 LoRA‑SFT 指令微调指南》部分内容，聚焦 Qwen3.5‑Base 纯文本基座全参数微调，完整复现 ChatGPT 风格 RLHF 对齐工程链路，覆盖数据预处理、SFT 监督微调、RM 奖励模型训练、PPO 强化学习、DPO 直接偏好优化全实验流程，提供可直接运行的工程脚本，帮助开发者完成千问小模型的垂直领域轻量化定制，为后续模型推理、业务上线部署提供完整实践参考。

千问大模型二次LoRA‑SFT指令微调指南大模型微调是实现模型领域定制的核心方案。本文基于 Ubuntu 22.04 服务器环境，依托 NVIDIA RTX 家用高性能显卡，选用千问 Qwen3.5‑0.8B‑Instruct 指令模型，完整演示二次 LoRA‑SFT 微调全流程，包含环境搭建、模型选型、ChatML 数据集制作校验、LoRA 参数配置、SFT 训练、效果验证、权重合并，附带可直接运行的工程脚本，便于开发者快速实现千问模型轻量化定制与上线部署。

轻量化小模型MiniMind从训练到落地指南本文基于 Ubuntu 22.04 服务器环境，依托 NVIDIA RTX 家用高性能显卡，手把手讲解 MiniMind 轻量大语言模型从零搭建、数据集部署、全流程训练、可视化Web服务搭建及GGUF格式量化的完整实操方案。全程摒弃复杂高阶封装，基于原生 PyTorch 实现，适配个人开发者、人工智能入门学习者低成本完成大模型训练全链路的需求，整套方案仅需极低算力与成本，3小时即可完成基础对话训练，完美适配新手入门大模型训练、模型私有化部署、及底层原理学习等场景，是一套低成本、可落地、可复现全流程实战教程

Ubuntu 大模型HF转GGUF全流程实践指南本文基于 Ubuntu 26.04 系统、纯CPU无CUDA硬件环境，完整演示基于 llama.cpp 实现 HF 原始模型转换 GGUF 格式与CPU量化的落地实操流程。以 Qwen2-0.5B-Instruct 中文对话模型为案例，循序渐进讲解Swap分区配置、系统依赖安装、llama.cpp源码编译、Python虚拟环境部署、原生HF模型下载、HF模型转GGUF格式封装、Q4_K_M等级量化的完整步骤。

LangChain 消息流输出与结构化处理LangChain 是目前大模型应用开发领域最主流、最成熟的开源框架之一，广泛应用于私有化部署、智能体开发、工具调用、流式交互等各类场景。本文基于 LangChain 最新稳定版接口，适配本地私有化 GGUF 模型部署环境，拆解框架四大核心基础能力，标准化消息机制、闭环工具调用链路、多场景流式传输、规范化结构化输出功能，这四个功能是学习后续框架的基础部分，也是必须要熟练掌握的重点。

Python 原生封装 Llama.cpp 大模型推理接口本文以通义千问Qwen量化GGUF模型为案例，基于Llama.cpp框架展示本地大模型调用与功能开发的完整实现原理及流程。全文采用原生Python编写代码案例，无需依赖重型AI框架，依次实现模型元数据解析、本地接口单次对话调用、多轮对话持久化记忆、自定义工具调用拓展等功能实现逻辑，针对直接调用大模型上下文断裂、功能单一、拓展性不足等问题，通过轻量化对话记忆与工具解析执行框架完成优化实现，拆解本地对话交互运行原理，帮助开发者掌握大模型的基础调用原理。

LangGraph Server Agent 框架本地部署指南本文讲解基于 LangGraph Server 服务搭建本地离线 AI Agent 的完整部署流程，适配 Windows 开发环境，全程无需调用公有大模型接口，实现纯本地化 AI 推理与工作流编排，帮助开发者快速搭建可调试、可复用的本地私有化 AI Agent 服务，适用于个人开发、本地功能调试、轻量化私有化 AI 场景落地。

LangChain 实现AdvancedRAG增强向量检索生成Advanced‑RAG 是基于 Naive RAG 演化而来的高级检索增强生成方案，针对朴素RAG检索不准、上下文相关性差、召回噪声多等缺陷进行多层优化。该方案完全沿用朴素RAG的基础流水线模式、不改动核心架构，仅在各流程节点嵌入预处理、后处理增强模块，精细化优化检索环节。通过引入查询改写、重排序、上下文压缩、自我校验等多种增强策略，对召回的文档片段过滤去噪、重排优先级，精准筛选高价值上下文送入大模型，以此来提升提升知识库问答的精准度与稳定性，是目前工业级RAG落地的主流优化方案。

LangChain 实现NaiveRAG朴素向量检索生成向量检索增强生成（RAG，Retrieval‑Augmented Generation），是弥补大语言模型固有缺陷的关键技术。它可接入私有文档、内部笔记等外部数据源，有效缓解训练数据滞后、知识固化、回答幻觉等问题，输出更为精准可信的内容。Naive RAG 即朴素 RAG，是 RAG 体系中最基础原始的实现方式，也是各类进阶 RAG 技术的底层基石。该方案架构极简、落地门槛低，舍弃复杂优化手段，只保留检索加生成的核心能力。很适合新手学习实践，同时该方式也多用于搭建轻量化知识库问答服务，适配各类简单问答场景

LangGraph+PostgreSQL 会话记忆持久化存储本文基于LangGraph会话记忆管理相关内容，聚焦对话持久化存储方案，以LangChain官方推荐的PostgreSQL数据库为载体，拆解Checkpointer检查点存储与Store通用长期存储两大核心体系。通过对比两套存储机制的底层逻辑、差异特点与适用场景，结合可运行实战代码，实现会话重启续聊、跨线程记忆共享、语义检索、用户档案管理等核心能力，为LangGraph生产级智能体项目提供标准化持久化实现思路。

LangChain+FastMCP 搭建大模型工具调用服务为解决大模型外部工具调用、上下文传递标准不统一、适配混乱的痛点，本文基于 MCP 模型上下文协议，使用轻量化 FastMCP 构建 MCP 服务端，借助 langchain‑mcp‑adapters 完成与 LangChain 生态集成。文章介绍 Streamable HTTP 传输模式的适配场景，以天气查询作为实战案例，完成自定义工具、资源接口、提示词模板开发，并演示 LangChain 客户端加载工具、读取资源、解析提示词、多服务协同调用完整流程，附带可运行代码与依赖配置，提供一套轻量化标准化的大模型

我是有底线的