XIAOSUO 记录个人学习的足迹

摘要：一、流程框架设计理念 探索性AI与企业级应用差异：探索性AI高度自主，适合创意生成；企业级应用需确定性、可重复性、可审计性。 流程框架关键转变：从“让AI决定做什么”转变为“让AI高效执行预定义流程”，开发者通过声明式语法控制业务流程。 应用场景与优势：插件数量多时，单纯依靠大语言模型编排函数调用不可靠，流程框架可解决此挑战。 架构基础：事件驱动架构 优势 高度解耦与模块化：每个步骤独立开发、测试和替换，提升系统可维护性。 异步与并发：步骤发布事件后无需等待响应，实现高性能并行处理。 灵活性与可扩展性：修改事件路由规则或增加新步骤即可适应业务变更。 云原生环境支持 支持本地与分布式部署：流程框架支持本地开发环境及Dapr、Orleans等分布式云原生环境。 无缝迁移与扩展：本地定义的流程可无缝迁移到生产环境，无需修改核心业务逻辑。 核心概念详解 流程 定义与构成：流程是顶层容器，由步骤和事件路由规则构成，代表端到端业务目标。 生命周期与状态：每个流程实例有独立生命周期和状态。 步骤 基本执行单元：步骤是流程的原子性活动，封装具体业务逻辑，遵循单一职责原则。 内核函数：步骤类中用[KernelFunction]标记的方法，可被流程框架调用。 事件 信息传递与触发载体：事件由特定类表示，包含Id和Data属性，用于步骤间传递信息。 事件路由：事件路由基于Id，决定事件的流向。 上下文 运行时关键组件：上下文对象提供运行时信息和提交事件的方法，实现复杂流程控制逻辑。 SK的流程框架还在预发布版本，最终版代码可能会有偏差，但不影响我们学习。 二、构建第一个线性流程 1. 环境准备与项目设置 创建.NET控制台应用程序项目，安装Semantic Kernel流程框架核心依赖包。 Process.Core是核心库 Process.LocalRuntime提供本地运行组件。 PropertyGroup NoWarnSKEXP0080/NoWarn !-- 关闭警告 -- /PropertyGroup ItemGroup PackageReference Include=Microsoft.Extensions.Configuration Version=9.0.8 / …… 阅读全文

摘要：一、Semantic Kernel概述 1. 与LangChain对比 设计理念：LangChain以社区驱动，快速迭代，适合原型验证；Semantic Kernel则以企业级应用为目标，注重稳定性与可维护性。 核心概念：提供LangChain与Semantic Kernel的核心概念映射表，帮助开发者快速理解两者差异。 适用场景：LangChain适合快速开发和试验，Semantic Kernel更适合企业级应用，强调与现有系统的深度融合。 LangChain概念 Semantic Kernel对应概念 备注说明 Agent Agent(Planner) / Kernel Agent类似于一个高级的Agent，能根据用户目标自动生成执行计划(Plan)。而Kernel(内核)则扮演了AgentExecutor角色，是负责实际执行这个计划的核心引擎。 Tool Plugin(插件) / KernelFunction(内核函数) Plugin是SK中与tool对等的概念，代表一个能力的集合。SK的一个重要设计是它明确地将能力分成两种 Chain 手动调用链 LangChain的Chain是一种预先定义好的、线性的调用序列。在SK中，我们可以通过编写代码来手动实现类似的函数调用链，这种确定性的编排方式是理解后续自动化规划器工作原理的基础。 Memory Memory(记忆) 这个概念在两个框架中基本一致，都用于在多次交互中保持状态和上下午，从而实现连贯的对话或复杂的任务处理。 PromptTemplate 提示模版 SK将提示模板的工程化提到了一个新的高度。与LangChain中通常的代码里定义的字符串模板不同，SK推荐将提示模版做为独立的文件进行管理，并配有专门的配置文件，使其成为一个可复用、可配置的软件工件。 2. 架构概览 内核：内核是Semantic Kernel的核心，负责接收请求、编排插件、管理服务和执行任务。 插件：插件是功能扩展的核心机制，包含语义函数和原生函数，实现AI能力与传统代码的融合。 记忆：记忆模块使AI应用能够保持上下文，支持连贯对话和复杂任务处理。 3. 搭建Semantic Kernel应用 创建一个.NET项目，如控制台应用程序，并添加Semantic Kernel的NuGet包。 …… 阅读全文

摘要：一、RAG基本概念 RAG定义与价值：RAG（检索增强生成）是一种AI技术框架，通过检索外部知识源来增强大语言模型的知识储备和生成能力，解决模型知识过时和内容幻觉问题，提升回答的准确性和可信度。 RAG工作原理：RAG工作流分为索引阶段和检索与生成阶段。索引阶段将数据处理成可检索格式，存储于向量数据库；检索与生成阶段实时响应用户查询，检索相关文本块并生成答案。 RAG应用场景：RAG适用于企业知识管理、智能客服、法律咨询等专业领域，能够针对特定信息源回答问题，发挥巨大价值。 构建基础RAG流程： 索引阶段：线下数据准备过程 加载 分割 嵌入 存储 检索和生成阶段：线上阶段 检索 生成 开发难题 繁杂的数据接入 复杂的文本处理 多样的模型与接口 专业的向量存储 粘合所有环节 LangChain的价值 从零开发RAG应用面临数据接入、文本处理、模型接口、向量存储和环节粘合等诸多难题，LangChain通过模块化架构简化了构建过程。 LangChain由多个独立包组成，如langchain-core提供核心接口和数据类型，langchain-community集成第三方服务，langchain-openai针对特定模型提供商集成。 LangChain具有流式处理、异步与并行执行、可观察性与调试、标准化接口等核心优势，让构建复杂AI应用变得简单高效。 二、文档加载 1. LCEL语言 LCEL（LangChain表达式语言）是一种声明式编程范式，用于将LangChain组件组合在一起，通过管道操作符|实现数据流的高效表达。 LCEL支持流式处理、异步与并行执行、可观察性与调试、标准化接口，为构建高性能AI应用提供强大支持。 2. 文档加载器 文档加载器是RAG流程的入口，负责将各种数据源加载为LangChain能够处理的文档对象，其质量直接影响整个系统的性能。 文档对象包含page_content和metadata两个核心属性，分别存储文本内容和相关元数据，元数据对于数据过滤、答案引用和来源追溯至关重要。 from langchain_core.documents import Document doc = Document( page_content=这是一段示例文本内容，它将被用作文档的主要内容。, met…… 阅读全文

摘要：一、链的概念 定义与作用：链是LangChain中最核心的概念，指将多个模块化组件按特定顺序链接起来，执行多步骤任务的序列，可将复杂任务分解为更小、更易于管理的独立步骤。 核心优势：链在LangChain生态系统中扮演“粘合剂”和“骨架”的角色，连接不同人工智能组件，促成协同工作，简化应用开发过程，提升开发效率。 链的演进 在早期LangChain版本中，链通过继承Chain抽象基类实现，采用命令式的面向对象继承编程模型，存在组合灵活性不足等问题。 LangChain引入了LangChain表达式语言（LCEL），采用声明式的管道操作符|连接组件，具有可组合性、可读性、灵活性、原生支持高级功能和可观察性等优势。 构建链的核心组件 模型：模型是链的核心引擎，包括大型语言模型（LLMs）和聊天模型（Chat Models），负责执行主要的智能任务。 提示模板：提示模板负责构建和格式化模型的输入，将用户输入与预设指令和示例结合，生成完整、结构化的提示。 输出解析器：输出解析器将模型返回的原始输出转换为更结构化、易于处理的格式，是连接非结构化智能与结构化数据的桥梁。 二、构建第一个LLM应用 1. LangChain表达式语言基础 基础链结构：最基础的链结构为提示 | 模型 | 解析器，是所有复杂链条的基础构建单元，体现了与大型语言模型交互的三个基本阶段。 工作原理：详细追踪了从输入到输出的完整数据流动过程，包括提示模板的格式化、模型的推理生成和输出解析器的结构化处理。 2. 从零构建翻译链 import os # 1. 导入所需的核心组件 from dotenv import load_dotenv from langchain_core.prompts import ChatPromptTemplate from langchain_core.output_parsers import StrOutputParser from langchain_openai import ChatOpenAI # 从.env 文件加载我们配置的环境变量 load_dotenv() api_base = os.getenv(DASHSCOPE_API_BASE) api_key = os.getenv(DASHSCOPE_API_KEY) # 2. 定义我们…… 阅读全文

摘要：我们先配置一下环境 安装anaconda，具体安装方法查看页面：Python环境Anaconda下载与安装教程（附安装包） 2025最新版详细图文安装教程 - 知乎 清华镜像站：清华大学开源软件镜像站 安装好后创建一个langchain的环境，建议使用python3.10的版本（避免安装插件时冲突），安装langchain相关插件5个 如果插件安装不上，可以打开工具 anaconda prompt conda create -n langchain python=3.10 conda activate langchain conda install -c conda-forge langchain-openai 安装PyCharm，社区版即可，2025.2是最后一个社区版，下载地址 安装方法PyCharm安装教程及基本使用（更新至2024年新版本），教你迈出学习python第一步-CSDN博客 自备一个云ai大模型环境，比如通义千问 通义大模型_AI大模型_一站式大模型推理和部署服务-阿里云 一、LangChain介绍 LangChain是基于大语言模型的应用开发框架，提供工具、组件和接口，让开发者像搭积木一样创建复杂AI应用。 特点 数据感知：能与多种数据源连接，将外部数据作为知识库，弥补大模型数据陈旧、无法实时获取信息等缺陷 代理交互：应用可主动与环境互动，如自动规划行程、总结邮件内容等，增强用户体验和工作效率。 解决痛点：针对大模型内部数据过时、无法联网、Token限制、无法调用API等问题，LangChain提供解决方案。 应用场景 文档摘要应用 智能客服 编程助手 智能私人助理 学习助手 模型支持 LangChain封装了LLM类、Chat类和Embedding类模型，提供标准化接口。 LLM模型：接收文本输入，返回文本输出，无状态，不记交互历史。适用于快速问答、文本摘要、信息提取、代码生成等任务。 Chat类模型：接收消息列表，返回AI消息，支持多轮对话和角色扮演。构建聊天机器人、角色扮演应用、多轮交互任务等。 Embedding类模型：将文本映射为高维向量，用于语义搜索和知识库问答。实现语义搜索，是RAG应用的基石。 与OpenAI、Google、阿里等主流供应商合作，集成多种大模型。 常见参数：temperat…… 阅读全文

摘要：一、Coze空间 1. Coze开发平台优势 界面简洁：Coze界面清爽，隐藏复杂技术细节，让市场运营人员、学生等无编程基础的用户也能轻松使用。 上手容易：用户可快速将想法转化为现实，无需关心底层逻辑和代码实现。 插件丰富：Coze提供上百种功能各异的插件，涵盖读新闻、查天气、订机票等，不断增长。 支持用户将私有API封装成自定义插件，拓展智能体应用场景。 知识库功能：用户可上传专业知识文档，如产品手册、业务流程等，让智能体成为领域专家。在垂直领域应用中，知识库功能是满足专业需求的关键。 快速生成智能体：Coze支持无代码生成AI智能体，用户可在短时间内完成智能体原型搭建。简化创建过程，缩短想法与成品之间的距离。 广泛应用场景：Coze不仅适用于客服，还适用于各种基于AI模型的智能问答智能体。能处理简单问询，也能应对多步骤思考、多逻辑判断的复杂对话场景。 数据管理与记忆功能：Coze让智能体记住对话关键信息和用户偏好，避免“金鱼记忆”。智能体可主动服务，如定时推送新闻、规划周末等，提升用户体验。 流量优势：Coze背靠字节跳动，作品可通过豆包、飞书等渠道触达亿级用户。对于开发者和创作者而言，流量优势意味着作品有更多展示机会。 2. Agent实现流程 需求分析 收集需求：真正倾听用户需求，了解他们希望Agent实现的功能，避免“自嗨”产品。 定义角色职责：明确Agent系统中各“员工”角色及职责，为后续设计开发提供清晰架构。 建立领域模型：梳理Agent需要打交道的概念及其关系，为实现复杂业务逻辑奠定基础。 优化问题研究：提前识别并研究影响效率和体验的环节，确保产品高效满足用户需求。 可视化需求分析：利用流程图、思维导图等可视化工具，更直观地理解和管理需求。 架构设计 人设模块：定义Agent身份、行为准则和说话风格，为其赋予独特魅力。 记忆模块：存储和管理Agent知识，包括短期记忆和长期记忆，构成“大脑海马体”。 规划模块：制定行动计划，将大任务分解为小步骤，优化执行路径。 行动模块：执行具体操作，如调用API、计算数据等，赋予Agent行动能力。 认知架构：确定各模块之间的对话、信息传递和协同工作方式，决定Agent思维逻辑。 多智能体协作：制定沟通“标准操作规程”，确保不同智能体高效分工协作。 迭代和对话式工作流：通过与Agent对话、测试…… 阅读全文

摘要：一、安装Cursor 官网下周window版本，2025-6-5发布了1.0版本 Cursor - The AI Code Editor 设置语言包，跟vscode设置方法一样。(Cursor就是基于VSCode开发的) 设置Cursor 文件---自动保存 文件---首选项---功能---终端：window默认上终端配置文件，选择 git bush 设置Cursor所选的模型：取消自动 配置规则： 总是使用简体中文来进行回复 也可以添加项目规则，如 -总是使用uv作为Python环境和包管理工具 -总是将wsl+Ubuntu作为开发环境 -所有函数必须团结类型注释 -函数名使用snake_case，类名使用PascalCase -所有api都应该遵循restful规范 -注释必须使用简体中文 -总是遵循《代码整洁之道》 -总数遵循《设计原则与设计模式》 定价 Pricing | Cursor - The AI Code Editor 配置linux开发环境 安装wsl：wsl install 安装 uv：curl -LsSf https://astral.sh/uv/install.sh | sh 安装python环境：uv python install --preview 安装pip：sudo apt install python3-pip Cursor里面安装wsl插件 在Cursor左下方的按键就可以连接到wsl子系统了 连接上后在使用 /mnt挂在本机文件夹 二、生成前台代码体验 生成Login前台页面 初学者使用AI生成login页面的提示词 规范化提示词 请在login目录中设计一个响应式、风格美观的登录页面，页面应包含用户名和密码输入框，以及一个登录按钮。 请分别从HTML结构、CSS样式、JavaScript功能三个方面实现，确保用户体验良好，并具备基础的交互逻辑 创建一个标准的HTML登录页面结构，要求如下： -页面居中显示，使用一个主容器； -包含输入字段：用户名（type=username）和密码（type=password） -包含一个提交按钮，用于登录 -所有输入框和按钮放在一个表单form中； -每个输入区域使用语义化标签，适当嵌套和分组，方便样式和交互控制 使用Tailwin…… 阅读全文

摘要：一、提示词定义与重要性 1. 什么是提示词 提示词是输入给AI系统的指令，可以是问题、描述或关键词，目的是引导AI按期望思考或创造，输出所需结果。 提示词的作用：提示词如同打开AI能力之门的钥匙，其质量直接影响AI输出结果的质量，好的提示词能清晰指引AI工作方向，激发其潜能。 提示词与AI的关系：提示词是人类与AI沟通的桥梁，通过不断优化提示词，我们可以更好地理解AI的工作原理，与AI协同工作，共同创造更大价值。 2. 提示词的重要性 对AI输出质量的决定性作用：输入的是垃圾，输出的也是垃圾。优质提示词能引导AI准确把握需求，避免无用信息输出，提升工作效率。 提升AI创新创造能力：高阶提示词可引导AI进行创新创造，突破常规思维。如要求AI设计创意产品，通过特定提示词激发其创新灵感。 提示词促进对AI的理解：通过不断尝试和优化提示词，可了解AI的优势与局限。在提示词优化过程中，可学会与AI协同工作。 二、高质量提示词编写 1. 提示词的常见形式 指令式提示词：直接告诉AI具体要做什么，适用于任务目标明确的情况，如“写一篇关于气候变化的短文”。 问答式提示词：通过提问引导AI思考并回答问题，如“什么是人工智能”，适合获取知识或解答疑问。 填空式提示词：提供句子框架让AI填充内容，如“我最喜欢的动物是（ ），因为（ ）”，有助于获得结构化且有逻辑的回答。 对话式提示词：模拟人与人之间的自然对话，进行多轮交流。例如：“我们好，能跟我聊聊今天的天气吗？”这种形式更适合日常沟通场景。 创意生成式提示词：给予AI更大的发挥空间，鼓励其进行创作。例如：“写一首描绘未来世界的诗。”这种形式常用于文学、艺术等创意领域。 思维链提示词：通过逐步推理的方式引导AI分析问题。例如：“让我们一步步来思考这个问题……”这种形式特别适合解决复杂问题，帮助AI理清思路。 2. 关键要素 明确目标：写提示词的第一步是明确目标，目标越清晰、越具体，AI越容易理解意图并给出精准回应。 提供充分的背景信息：给AI提供足够的背景信息，使其理解更深入，输出更贴合需求，需考虑受众特点、产品卖点、行业术语等。 明确输出要求：清楚告诉AI输出内容的类型、格式、字数限制、内容侧重点、风格和语气等，确保输出符合预期。 3. 提升提示词质量的实用技巧 指令清晰化：使用明确动词开头，用分隔符…… 阅读全文

摘要：一、人工智能通识 1. 人工智能的应用场景与定义 日常生活中的AI应用： 手机语音助手利用自然语言处理和语音识别技术，为用户提供便捷服务，如查询信息、设置提醒等。智能家居设备通过语音控制实现家电操作，提升生活便利性。 自动驾驶汽车依靠AI进行环境感知和决策，提高行车安全。金融领域中，机器人投资顾问运用AI分析数据，提供个性化资产管理建议。 专业领域的AI应用 医院利用AI图像识别技术辅助诊断，提高诊断准确率。 制造业借助AI优化生产流程，提高效率和质量。 监控摄像头结合AI技术实现行为监测和犯罪预测，提升社会安全水平。 这些应用展示了AI在不同领域的强大潜力和广泛价值。 人工智能的定义与本质 约翰·麦卡锡将人工智能定义为“实现目标的计算能力”，强调其目标导向性。但目前的AI技术本质上是一种高级统计工具，仅在特定任务上表现出色。 真正的智能涉及意识、情感和创造力，而现有AI缺乏这些特质，只能在预设规则或数据支持下运行，无法像人类一样灵活应对复杂情况。 人工智能的分类 现有的AI大多是“弱人工智能”，只能完成特定任务，如翻译、推荐等。 而“强人工智能”或通用人工智能（AGI）是未来目标，能处理任何任务，目前仍遥不可及。 例如，扫地机器人和聊天机器人虽表现出一定智能，但不具备真正的智能。目前的AI产品和服务只是AGI研发过程中的副产品。 2. 人工智能的发展历程 第一次浪潮：规则驱动 1950s- 1980s，达特茅斯会议提出人工智能概念，开启第一次浪潮。基于逻辑和符号推理，依赖人工编写规则，如早期的专家系统。 这种方式在某些领域取得成就，但局限性明显，难以处理自然语言的歧义性和图像识别的复杂性，且成本高昂、可扩展性差，导致人工智能进入寒冬。 第二次浪潮：统计学习 1990s- 2010s，计算机硬件性能提升和互联网出现推动第二次浪潮。统计学习引入概率和统计方法，让计算机从数据中自动学习模式。 垃圾邮件过滤、语音识别和推荐系统等领域取得显著成果，但依赖人工特征工程，对于复杂任务和场景的处理能力有限，发展仍受限。 第三次浪潮：深度学习 21世纪10年代，深度学习和互联网兴起推动第三次浪潮。深度学习实现端到端学习，自动提取数据特征，取得重大突破，如AlphaGo战胜李世石、ChatGPT引发热潮。 在图像识别、自然语言处理等领域超越人…… 阅读全文

摘要：一、实现DOM操作API 1. 构建环境 创建runtime-dom目录，存放dom操作api 创建runtime-core目录，存放允许时虚拟dom操作核心代码 在两个目录中分别构建环境 /packages/runtime-dom/package.json { name: @vue/runtime-dom, module: dist/runtime-dom.esm-bundler.js, unpkg: dist/runtime-dom.global.js, buildOptions: { name: VueRuntimeDOM, formats: [ esm-bundler, cjs, global ] } } /packages/runtime-core/package.json { name: @vue/runtime-core, module: dist/runtime-core.esm-bundler.js, unpkg: dist/runtime-core.global.js, buildOptions: { name: VueRuntimeCore, formats: [ esm-bundler, cjs, global ] } } 2. 定义操作API /packages/runtime-dom/src/nodeOps.ts // dom操作 vue虚拟dom, 通过数据对象在内存中对比差异， 找到最小的改动点，使用dom操作完成更新。 // 原生dom操作api export const nodeOps = { // 插入， 追加 insert: (child, parent, anchor = null) = { parent.insertBefore(child, anchor); // parent.appendChild(child) }, // 删除子节点 remove: child = { const parent = child.parentNode; if (paren…… 阅读全文