大模型应用开发

【大模型应用开发:基于GPT-4和ChatGPT】(使用LangChain框架和插件增强LLM的功能)本文探讨LangChain框架,以及GPT-4 插件为代表的外部能力扩展方式.我们将研究 LangChain 如何连接不同语言模型,如何把提示词、工具、记忆和外部知识组合起来,再理解插件把模型接入实际服务的工作原理.这些知识可以帮助我们开发比单轮问答更复杂的LLM应用.前面主要围绕模型API构建程序.本文进一步把模型放入一个完整的应用流程:数据从哪里来,哪些操作交给工具执行,历史对话如何保存,最终答案如何追溯到依据.示例围绕这些问题展开;这里仍沿着同一条学习路径,使用当前接口完成相应任务.

小易老师AI实战

LangChain create_agent 与 LangGraph 底层原理及实战对比新版 LangChain 已经废弃旧版 initialize_agent、create_react_agent，推荐使用 create_agent 构建智能体。LangChain 1.0 的智能体运行时已经可以直接用于生产：多步工具调用、结构化输出、流式返回、中间件、状态持久化和人工确认都在这一层完成。

【大模型应用开发:基于GPT-4和ChatGPT】(GPT-4和ChatGPT的高级技巧)既然已经熟悉LLM和OpenAI API的基础知识,那么是时候让你的技能更上一层楼了.本文介绍如何通过提示工程、零样本与少样本提示,以及针对特定任务的微调,发挥GPT-4和ChatGPT所代表的语言模型的能力,并把这些方法用于实际应用.零样本和少样本是提示设计方式;微调则通过训练改变模型参数.它们可以组合使用,但作用机制不同.

【大模型应用开发:基于GPT-4和ChatGPT】(使用GPT-4和ChatGPT构建应用程序)大模型API让开发人员能够将自然语言能力嵌入现有软件:读者提交问题,模型可以组织答案;用户给出事实,模型可以起草文章;应用从文档检索出材料,模型可以据此解释.开发者不必从头训练语言模型,但仍要对软件的数据、权限、成本和操作结果负责.本文沿用四个项目逐步扩展这个过程:新闻稿生成器负责把事实写成文章;视频摘要器处理较长的字幕;文档助手结合Redis检索外部知识;语音助理把自然语言转成受约束的应用动作.后面的项目复用前面的接口层,阅读时可以依次运行,也可以先从自己熟悉的用例开始.

【大模型应用开发:基于GPT-4和ChatGPT】(深入了解GPT-4和ChatGPT的API)本文帮助你把语言模型集成到Python应用程序中.我们先用Playground 理解提示词与模型输出,再建立可复用的Python客户端,学习请求参数、返回结果和函数调用,最后处理费用、隐私、嵌入与内容审核.GPT-4和ChatGPT是历史起点.实际编程时,应区分 ChatGPT 产品、提供能力的具体模型和调用它的 API.本文使用现行 Python 客户端的 Chat Completions 接口延续原书的消息列表教学;新项目也可以选择Responses API,二者有不同的输入与输出结构.

【大模型应用开发:基于GPT-4和ChatGPT】(初识GPT-4和ChatGPT)想象这样一个世界:在这个世界里,你可以像和朋友聊天一样快速地与计算机交互.那会是怎样的体验?你可以创造出什么样的应用程序?这正是OpenAI的GPT系列所探索的方向.GPT-4 等大语言模型(large language model,LLM)通过大量数据训练,学习语言模式,并在给定上下文的条件下生成文本.输出可以很流畅,但流畅程度与事实准确性需要分别检验.这些AI模型的意义远超简单的语音助手.多亏了OpenAI的模型,开发人员现在可以利用自然语言处理(natural language processing

MCP实战手记（十一）：MCP接飞书，从机器人到事件订阅的三层深度接入本文聚焦飞书三层接入（机器人Webhook/自建应用卡片/长连接事件订阅）+钉钉横向对比。CSDN上"飞书对接"的实战文不少，但"飞书+长连接事件订阅+MCP双向闭环"的完整跑通几乎空白。飞书开放平台对MCP最友好：个人手机号就能建团队，本文所有实测都不需要企业资质、不需要公网服务器，一条WebSocket长连接把"群里@机器人→调@Tool→回卡片消息"打通，按open_id做多租户数据隔离，全程走飞书事件订阅。

大模型应用层开发实战：从 Prompt 工程到 Dify、私有 RAG、Agent 完整落地总结现在 AI 大模型相关岗位越来越多，很多后端、开发人员想要切入大模型赛道，但很容易陷入两种极端：一部分人只玩提示词，不理解工程落地；另一部分直接去啃大模型底层训练、神经网络，门槛极高，越学越迷茫。

2026 年大模型热门教程盘点：从 Prompt、RAG 到 Agent，到底该先学什么先放一句得罪人的话：2026 年网上最热的 AI 教程，一半在教「怎么用」，一半在教「怎么赚」，真正教你「怎么把模型落到业务里不崩」的，还是少数。这一年大模型教程热到什么程度？B 站、CSDN 上「2026 大模型学习路线」「AI Agent 实战」类视频动辄几十万播放，教程封面清一色「学完即就业」「薪资翻倍」。但热度高 ≠ 学得对。本文不卖课，只把 2026 年真正值得跟的热门教程方向、为什么热、以及最容易踩的坑讲清楚。你正在跟的教程，在不在下面这张图上，评论区说。

从 0 构建 AI Workload Platform（五）：Agent Runtime、工具权限与自然语言工作流模块 3 在已有的可靠工作流内核和控制面之上，增加了从自然语言目标到结构化工作流草稿的入口。本文先展开一次完整流转，再解释 Agent Runtime、模型适配器、工具调用、权限、预算、草稿校验、内容哈希和人工确认如何协作。

一个Java项目改成AI流程后，最难的部分完全变了聊《一个Java项目改成 AI 流程后，最难的部分完全变了》之前，先说一句实在的：别急着背概念，先看它在真实项目里到底解决什么问题。

LangChain 聊天模型 —— 结构化输出详解与实战常规调用聊天大模型时，模型返回原始文本字符串。这种自由文本对人类阅读十分友好，但不利于程序自动处理。当业务需要从模型结果中定向提取固定字段（如名称、数值、状态等），并存入数据库、对接下游逻辑时，只能依靠正则等方式手动解析文本，代码繁琐、容错差，极易出错。

LLM Agent 最小实现：Tool Calling + Runtime Loop 的底层原理在学习大模型应用开发的过程中，我们通常从 Chatbot 开始：输入问题，调用 LLM，得到回答。但很快会发现，Chatbot 只能“回答问题”，却无法“执行任务”，例如计算、查文件或调用外部 API。为了解决这个问题，Agent 的概念被提出，它让 LLM 不仅能思考，还能决定是否调用工具并执行多步任务。本文将从零实现一个最小 Agent Runtime（约 50–150 行代码），不依赖任何框架，完整还原 tool calling、工具执行与结果回填的核心机制，从底层理解 Agent 的运行方式

LangChain 结构化输出详解：彻底告别大模型文本手动解析日常开发中调用大模型，相信大家都踩过同一个坑：调用模型返回一大段自由文本，人看着通俗易懂，但程序根本没法直接用。

3h速通Python：用Java的思维看懂Python这是一篇基于菜鸟教程提炼的 Python 核心知识点笔记。如果你有 C 或 Java 基础，这篇笔记能帮你快速跨越语法差异，直击 Python 的精髓。内容涵盖了从基础语法（如缩进、数据类型）到高阶特性（如装饰器、生成器、上下文管理器），重点解析了命名空间、作用域及多继承等核心概念。希望这篇总结能为你提供一份清晰的“避坑指南”和速查手册，助你高效掌握 Python

大模型提示词工程Prompt提示词是你输入给人工智能模型（如大语言模型）的指令、问题或描述，用来引导模型生成符合你需求的回答。构建提示词时，通常包含以下六大要素：

大模型生成内容出错大模型虽然能生成流畅自然的文本，但其“幻觉”问题——生成看似合理却与事实不符的内容——一直是企业级应用的最大障碍。尤其在知识问答、合规审查等场景中，一个虚构的答案可能带来严重后果。如何让模型输出不仅准确，而且可追溯、可验证？本文将介绍一种融合事实验证链与溯源标注机制的RAG优化方案，并通过LlamaIndex和LangChain两大框架的代码实战，带你打造“言之有据”的AI系统。

RAG用户查询太模糊？在使用RAG（检索增强生成）系统时，你是否遇到过这样的情况：用户问“今天去哪里好玩”，结果系统返回一堆游乐园、公园、博物馆的泛泛介绍，完全不符合用户的实际需求？这是因为用户查询往往口语化、缺乏上下文，导致大模型难以准确理解意图，检索到的内容自然也就“答非所问”。

找了一圈尾巴

Agent Skills 与其它技术方案的对比Agent Skills 与传统 API 调用在设计理念、技术架构和使用方式上存在根本性差异，这些差异决定了它们在不同场景下的适用性。

学习是生活的调味剂

大模型应用文本理解OpenAI使用入门篇本文介绍使用OpenAI完成特定文本理解任务。本地安装Ollama或通过阿里云百炼平台获取API_KEY ,https://bailian.console.aliyun.com/cn-beijing/?spm=a2c4g.11186623.0.0.2dab6323kanAoF&tab=model#/api-key，配置到环境变量中后需要重启电脑生效。