在AI应用开发中，让大语言模型调用外部工具是个很实用的能力。它让AI不再只能生成文字，而能真正完成一些操作。OpenAI提供的Function Calling（函数调用）功能给了我们一个标准接口。 这篇文章会一步步展示如何在Go语言里实现Tool Calling，包含完整的代码示例。 ## 背景介绍 传统AI对话系统只能回复文字，没法执行实际操作。…

# Go 语言 AI Agent 实战：实现 Tool Calling 功能 在构建 AI 应用时，Tool Calling（工具调用）是让大语言模型真正"行动"起来的核心技术。仅仅是问答生成太受限制了——模型不知道今天几号，不知道股价多少，甚至会一本正经地胡说八道。Tool Calling 让模型可以主动调用我们定义的函数，获取真实数据、执行具体…

# 使用 Prompt 工程实现 LLM 可靠 JSON 输出实战指南 在日常开发中，让大语言模型输出结构化的 JSON 数据是基础能力，但很多开发者会遇到这样的问题：模型要么格式错误，要么在 JSON 中添加额外的解释性文本，导致解析失败。本文将详细介绍如何用 Prompt 工程技巧，让主流 LLM 稳定输出正确的 JSON 格式。 ## 一次失…

# 使用 Go 构建本地向量检索系统：Go + Qdrant 实战指南 ## 背景介绍 向量检索是 AI 应用开发中的核心技术。传统的关键词匹配只能做精确匹配，而向量检索通过将文本转换为高维向量，可以在语义空间中找到最相似的内容。这意味着即使用户搜索的 Query 与存储的文档没有共同的词语，只要语义相近，就能被检索到。 Qdrant 是一个用 R…

# 从零构建个人知识库助手：基于 RAG 的本地文档问答系统实战 ## 背景介绍 在日常工作和学习中，我们会积累大量的文档资料：技术笔记、项目文档、会议记录、阅读笔记等。当这些文档散落在各个角落时，想要快速找到需要的信息就变得困难重重。虽然市面上有各种笔记软件和搜索工具，但它们通常只能进行简单的关键词匹配，无法真正理解我们的查询意图。 近年来，大语…

## 背景介绍 retrieval-augmented generation（检索增强生成，简称RAG）已经成为大模型应用的主流架构。与其让模型从预训练数据中硬编码知识，不如在运行时从外部知识库动态检索相关信息，然后交给大模型生成答案。这种方式有几个明显的好处：知识可以随时更新，不需要重新训练模型；回答可以引用真实的来源；特定领域的问题更容易控制。…

# 从零构建 RAG 系统：让 AI 回答基于你自己的知识库 在大语言模型快速发展的今天，很多开发者都面临一个共性问题：如何让 AI 根据特定领域的知识来回答问题？通用模型虽然强大，但在专业领域常常"一本正经地胡说八道"。这时候，RAG（检索增强生成）技术就成了最佳解决方案。 ## 背景介绍 ### 什么是 RAG？ RAG 的核心思想是：不让 L…

如果你经常调用 OpenAI API，应该会发现一个很现实的问题：对话越来越长，响应越来越慢，钱包也越来越空。每次请求都要把之前的上下文重新处理一遍，模型根本不管你之前说过什么。这种重复劳动不仅浪费时间，还浪费钱。 OpenAI 推出的 Prompt Caching（提示缓存）就是来解决这个问题的。把已经处理过的内容缓存起来，后续请求直接复用，不用…

# LLM API 实战：用 Python 构建智能问答系统 大语言模型火遍全球已经有两年了。GPT、Claude、通义千问这些名字你应该都听过。这些模型能理解自然语言，能生成内容，用来作客服、知识库问答、内容创作都很合适。 直接调 API 是最省事的办法。发个 HTTP 请求就能拿到回复，本文以 OpenAI 兼容 API 为例，手把手教你从零搭…

# 让LLM稳定输出JSON：结构化提示词实战指南 ## 背景介绍 在使用大型语言模型（LLM）进行开发时，我们经常需要让模型输出结构化的数据格式，比如JSON。JSON不仅是程序内部数据交换的标准格式，也是API响应、配置文件、数据存储的基础。然而，直接让LLM输出JSON时，经常会遇到各种问题：输出格式不稳定、混入markdown代码块标记、包…