# 使用 LangChain 构建基于 RAG 的本地知识库问答系统 ## 背景介绍 在企业日常运营中，我们积累了大量内部文档、技术手册、产品说明、会议纪要等非结构化数据。但当需要从中查找特定信息时，却只能在海量文件中进行繁琐的人工检索。传统的方式是通过关键词搜索或者人工查阅，效率低下，而且难以处理语义相关的查询。 检索增强生成（Retrieval…

# Kubernetes HPA 基于 Prometheus 自定义指标实现自动扩缩容实战指南 ## 背景介绍 Kubernetes 的 Horizontal Pod Autoscaler（HPA）默认只能基于 CPU 和内存利用率来调整副本数。这在很多场景下不够用。比如消息处理服务，可能需要根据队列深度来伸缩；Web 服务可能更关心请求延迟或错误…

# 使用 LangChain 实现 PDF 文档问答系统 ## 背景介绍 工作中，我们经常要和大量的 PDF 文档打交道。技术文档、论文报告、合同协议……从这些文件里找信息，真是件麻烦事。传统的关键词搜索听起来美好，但实际操作起来，要么搜不到想要的内容，要么返回一堆八竿子打不着的结果。 大语言模型出来以后，RAG（检索增强生成）架构给这个问题提供了…

# 使用 LangGraph 构建 ReAct Agent 实战指南 ## 背景介绍 大型语言模型应用领域有个老问题：AI 只能生成文字，没办法直接跟外部系统打交道。用户问"今天北京天气怎么样"或者"苹果股价多少"，LLM 训练数据截止了，回答不上来。 解决办法是让模型自己调用工具。ReAct（Reasoning + Acting）模式就是干这个的…

使用 Ollama 在本地运行 LLM 进行代码审查 代码审查是软件开发中的常规环节，但人工审查效率低、主观性强。云端 AI 审查工具又存在隐私顾虑。 Ollama 是一个开源工具，能让用户在本地机器上跑大语言模型，不用联网，不用交 API 费用，代码也不会离开你的电脑。 为什么需要本地 LLM 代码审查 把代码发给云端 API 有几个麻烦： 隐私…

在大语言模型（LLM）蓬勃发展的今天，如何有效地与模型交互成为了每个开发者必须面对的核心问题。Prompt Engineering（提示工程）作为一门新兴学科，专注于研究如何设计最优的提示词来引导模型产生期望的输出。可以说，掌握了提示工程，就等于拥有了在 AI 时代高效解决问题的能力。Few-Shot Learning（少样本学习）是 Prompt…

使用 Ollama + LangChain 构建本地文档问答系统 背景介绍 日常工作中有大量技术文档、论文和内部知识库需要处理。关键词搜索的痛点在于无法理解语义查询——搜"如何安装软件"和"安装步骤"本应返回相同结果，但传统搜索引擎办不到。 云端大语言模型能力很强，数据隐私是个问题。把内部文档上传到第三方 A…

ollama就是用llama.cpp作为后端引擎来封装了模型下载、版本管理和API服务等便捷功能，ollama对旧的AMD显卡支持不好，这里干脆就切换到直接使用llama.cpp来在旧的AMD RTX6700显卡上本地部署大模型。 一、安装llama.cpp winget install llama.cpp 二、下载模型 1. 在魔搭社区的模型库那…

在golang世界中，复杂的包依赖是一个比较大的问题。明明代码中只引用了某个库的一些函数，但依赖库可能会一大堆。依赖库越多，最后编译生成的二进制文件越大，怎么能在保证程序运行的时候，设计一个结构良好，尽量减少依赖的库呢？这个时候monorepo成了可行的解决方案，那么什么是monorepo? Monorepo是将多个相关的项目、模块（如前端应用、后…

最近写的一个自动化程序需要go-playwright支持，但开发和部署环境是RockyLinux9, playwright安装依赖的时候是基于Ubuntu的，下面是在Rockey Linux环境下的解决办法。 安装Distrobox dnf install epel-release dnf install distrobox 创建ubuntu容器 …