-
![]()
LangChain1.0-Agent开发流程
agent定义为：一个可感知上下文、具备行动能力、可扩展、可插拔的智能运行体 -
![]()
LangChain1.0调用vllm本地部署qwen模型
LangChain调用vllm本地部署qwen模型 -
![]()
LangChain-1.0入门实践-搭建流式响应的多轮问答机器人
基于LangChain-1.0搭建流式响应的多轮问答机器人 -
![]()
LangChain-1.0入门实战-1
LangChain-1.0入门实战-模型调用，记忆管理与工具调用流程 -
![]()
LangChain-1.0教程-(介绍，模型接入)
LangChain是一个用于构建大语言模型（LLM）驱动应用程序的框架。它解决了直接使用大语言模型时常见的几个关键挑战，让开发者能够更高效地构建复杂、实用的AI应用。 -
![]()
Ubuntu本地部署dots.ocr
ots.ocr 是一个强大的多语言文档解析器，它在一个单一的视觉-语言模型中统一了布局检测和内容识别，同时保持良好的阅读顺序。尽管其基础是紧凑的1.7B参数的大规模语言模型，但它达到了最先进的（SOTA）性能 -
![]()
Python搭建一个RAG系统(分片/检索/召回/重排序/生成)
检索增强生成（RAG）是指对大语言模型输出进行优化 -
![]()
Browser-use:智能浏览器自动化(Web-Agent)
智能浏览器自动化(Web-Agent) -
![]()
使用 LangChain 实现本地 Agent
使用 LangChain 实现本地 Agent -
![]()
使用 LangChain 构建本地 RAG 应用
使用 LangChain 构建本地 RAG 应用 -
![]()
使用LLaMA-Factory微调大模型的function calling能力
如何使用大模型的函数调用（function calling）功能，这样就能让大模型调用成千上万的工具API，赋予大模型更多的外部知识，使得大模型能力变得更加强大。 -
![]()
复现一个简单Agent系统
基于React的方式，制作了一个最小的Agent结构（其实更多的是调用工具）一步一步手写Agent，可以让我们对Agent的构成和运作更加的了解。 -
![]()
LLaMA Factory-Lora微调实现声控语音多轮问答对话-1
-
![]()
LLaMA Factory微调后的模型合并导出和部署-4
如何观测模型的微调过程？微调后的模型如何合并导出和部署？ -
![]()
LLaMA Factory微调模型的各种参数怎么设置-3
微调模型的各种超参数怎么设置，每个超参数都是什么意思 -
![]()
LLaMA Factory构建高质量数据集-2
如何给大模型构建高质量数据集？ -
![]()
MinerU-linux环境本地部署
MinerU是一款将PDF转化为机器可读格式的工具（如markdown、json），可以很方便地抽取为任意格式。 -
![]()
LLaMA Factory安装和基本使用-1
LLaMA Factory安装和基本使用详细 -
![]()
使用ms-swift基于Qwen3-8B微调小说模型
-
![]()
大模型基础架构
- openvpn linux客户端使用
52557
- H3C基本命令大全
52478
- openvpn windows客户端使用
42564
- H3C IRF原理及 配置
39477
- Python exit()函数
33896
- openvpn mac客户端使用
30869
- python全系列官方中文文档
29650
- python 获取网卡实时流量
24548
- 1.常用turtle功能函数
24393
- python 获取Linux和Windows硬件信息
22768
- LangGraph Studio可视化
40°
- LangSmith开发-应用入门
60°
- LangGraph开发-多轮对话问答机器人
147°
- LangGraph开发-条件分支/循环图实战
150°
- LangGraph开发-生态介绍，入门demo实战
176°
- LangChain-接入12306-HTTP MCP智能体
345°
- LangChain接入自定义爬虫-MCP工具
342°
- LangChain接入Filesystem-MCP工具
345°
- LangChain搭建MCP服务端和客户端流程
411°
- LangGraph与MCP技术概述
336°
- 姓名：Run
- 职业：谜
- 邮箱：383697894@qq.com
- 定位：上海 · 松江
