## 背景介绍 在人工智能快速发展的今天，大语言模型（LLM）已经具备了强的自然语言理解和生成能力。然而，单纯依靠语言模型本身，我们很难让它执行具体的操作任务，比如查询数据库、调用外部API、发送邮件或者操作文件系统。这就是 Function Calling（函数调用）技术出现的背景。 Function Calling 是 OpenAI 在 202…

# 使用 LangChain + ChromaDB 构建本地 RAG 知识库问答系统 ## 背景介绍 企业日常运营中会产生大量的内部文档、技术手册、会议记录。当员工需要从这些海量文档中查找特定信息时，传统的关键词搜索效果往往不理想——它无法理解查询的语义意图，也无法处理自然语言提问。 检索增强生成（Retrieval-Augmented Gener…

深入掌握 LLM Function Calling 技术，本文通过完整的 Python 代码示例详细演示如何让 AI 大模型调用外部函数，实现查天气、股票价格、数学计算、数据库操作等实用功能，是开发者构建智能 AI 助手的完整指南。

# Go + Ollama 实现本地 RAG 应用：从 Embedding 到问答 ## 背景介绍 大语言模型（LLM）很火，但让它回答私有数据里的问题没那么简单。直接微调模型成本太高，而且容易出现幻觉——模型会一本正经地编造答案。RAG（检索增强生成）提供了一条更务实的路径：先从知识库里检索相关文档，再让 LLM 基于这些文档生成答案。 Olla…

# 使用 LangChain 构建基于 RAG 的企业知识库问答系统 在企业里待过的朋友都知道这样一个场景：员工遇到问题，得在成堆的 PDF、Word 文档、公司 Wiki 里翻来翻去，运气好的话能搜到点有用的，运气不好就只能在各个群里追问。这种情况一多，查找信息的成本就成了个大问题。 关键词搜索的局限很明显——你得用准确的词才能找到东西，同一个意…

背景介绍大语言模型（LLM）现在应用很广，但直接用它有一些问题：知识库是固定的、专业知识不够、偶尔会胡扯。检索增强生成（RAG）技术把检索和生成结合起来，先从知识库里找相关信息，再把这些内容喂给 LLM，这样生成的答案更靠谱。以前的 RAG 方案基本都调用 OpenAI API，得花钱，还有数据隐私的破事。这两年开源出了不少能在本地跑的方案。Oll…