暂无搜索历史
书接上回,这次学习一种更高级的模式:监督者模式。职场上的牛马们,大家回想一下,每次部门的OKR,是怎样层层拆解最终落地的?是不是得有一个大佬(即:监督者),根据...
携程 | 软件技术专家 (已认证)
前面已经学习了 顺序、循环、条件分支、并行 这4种基本的工作流编排方式,利用这些可以组合出各种复杂的逻辑。下面将前面招聘的整个流程串起来,做一个相对比较完整的工...
书接上回,简历评估完后,根据评估结果,如果合格,公司就该通知面试,否则回邮件拒绝。也就是今天要演示的“条件工作流”。下面定义这2个分支对应的Agent:
书接上回,现在简历已经润色得足够好了,投递到了HR手上,假设跟候选人也做了初步的电话沟通。接下来,公司需要对候选人做如下审查:
接上节继续,仍然还是这个简历优化的示例,这次引入1个 “简历审阅者(CVReviewer)”的角色,定义如下:
接上节继续,本篇将演示 顺序工作流的实现(即:Building Effective AI Agents \ Anthropic 中的 Prompt Chain模...
自近年AI智能体火爆以来,各种相关的框架和最佳实践也不断涌现,Anthropic公司2024年发布的Building Effective AI Agents \...
接上节继续,到目前为止,我们都是使用的ChatModel、ChatMessage、ChatMemory这类相对低层的low level API来实现各种功能。除...
接上节继续,langchain4j的名字中既然有个chain,自然要体现出链式调用的特性。根据官网的介绍,目前langchain4j内置了2个chain
继续我们的langchain4j学习之旅,很多“智能客服”之类的AI应用,“问题分类”是非常重要的功能之一。比如:客人进来咨询问题,得判断出客人的问题是“订单相...
继续学习langchain4j,玩过dify的朋友想必对"参数提取器"这个节点很熟悉,示例:
继续我们的langchain4j之旅,今天来看看RAG如何实现,“RAG萌宠新手盆友们”建议先看看B站大佬的视频RAG 工作机制详解—哔哩哔哩_bilibili...
注:这里的mcp server 可参考 spring-ai 学习系列(5)-MCP(webflux sse)
以往遇到一些数据分析需求,比如:业务给了1份excel数据,需要开发做个报表对其进行分析,并以图表展示。通常需要了解数据逻辑,进行适当开发,涉及到前后端,费时费...
虚拟线程是一个非常有用的特征,但是JDK25以前,一直存在pinned问题,一些场景下会导致平台线程被占用无法释放。
langchain4j是比spring-ai更早出现的大模型相关工程开源框架,社区成熟,活跃度高。下面演示如何用langchain4j调用本地ollama
大模型本身的”知识体系“一般来说,局限于受训练时使用的数据。超出这个数据范围的问题,靠模型自身是无法解答的,得依赖各种外挂工具来增强体验。参考下图:
接上一篇继续,longchain4j支持open-ai兼容的各种模式,包括deepseek
longchain4j是比spring-ai更早出现的大模型相关工程开源框架,社区成熟,活跃度高。下面演示如何用longchain4j调用本地ollama
继续spring-ai学习之旅,大模型本身是无状态的,也就是每次请求对它来说,都是全新的,无记忆!比如:我们以ollama本地加载qwen3:0.6b模型为例,...
暂未填写学校和专业