在 Python 中，不可序列化对象 指的是无法直接使用 pickle 等序列化模块转换为可存储或传输格式的对象。常见的不可序列化对象包括： 下面，我们介绍两种方法来处理包含这些不可序列化对象的序列化...
在 Transformer 模型中，输入的词向量是没有顺序信息的，比如：我爱你 和 你爱我 两个含义不同句子，在注意力计算时，每个 Token 的表示是相同的，即：模型理解这两个句子的含义是相同的，这...
本教程介绍了 FastAPI 的基本使用，包括接口定义、数据模型、数据校验、依赖注入、中间件及接口文档。通过示例代码，展示了如何快速构建高性能 API 服务，适用于入门学习和实际开发。 GitHub：...
LangChain 中的 输出解析器（Output Parser） 主要作用是：将大语言模型生成的原始文本转换为结构化的数据格式，方便后续程序处理。比如，你让模型输出一个 JSON、一个列表或某种特定...
LangChain 是一个用于构建语言模型应用的强大框架，它支持将多个 链”（Chain）组合起来进行复杂的推理任务。所谓 链式调用，就是将多个处理步骤像流水线一样依次串联，每个步骤的输出作为下一个步...
在使用 LangChain 构建对话系统时，聊天记录的管理、处理是至关重要的一环。本篇文章主要介绍如何存储对话历史，以及如何对对话历史进行处理。 1. 对话历史存储 LangChain 提供了多种灵活...
在 LangChain 中，Tool 是一种把 Python 函数和它的调用规范（schema）包装起来的机制，这样模型就可以“请求”调用这个函数并传入参数。 1. 工具定义 2. 工具使用
在 LangChain 中，缓存机制是一种用于提升语言模型调用效率、降低成本的重要手段。其核心思想是：将提示词的响应结果缓存起来，在后续遇到相同或相似的请求时直接复用，从而避免重复调用模型。 1. 缓...
在构建基于大语言模型（LLM）的智能应用中，处理原始文档是非常关键的一步。LangChain 作为一个强大的框架，提供了一整套用于文档处理的工具链，帮助开发者更高效地将非结构化文本转化为模型可理解的结...
在由大型语言模型（LLM）驱动的应用开发中，模型的调用与管理始终是核心环节。LangChain 通过提供统一而灵活的模型接口，大大简化了开发者与各类语言模型、文本嵌入模型之间的交互流程。例如：Open...
提示用于优化模型输入，提升生成结果的质量。LangChain 提供了强大的提示管理工具，包括提示模板和提示优化功能。提示模板是预定义的格式，包含静态文本和动态变量，用于生成发送给语言模型的输入。它们有...
jina-embeddings-v3 是 Jina AI 推出的最新文本嵌入（Text Embeddings）模型，主要用于 NLP 任务，如搜索、推荐、分类、聚类等。它基于深度学习技术，优化了向量表...
冀公网安备13050302001966号