欢迎来到lanshi的个人博客

本文介绍了如何给AI模型赋予使用工具的能力，包括自定义工具、使用现成的AI工具运行代码和分析数据表格，以及多个工具组成AI工具箱。详细展示了baseTool、hub、create_structured_chat_agent和AgentExecutor的代码示例，并提供了具体的输出结果。

本文介绍了如何让AI读取外部文件并应用RAG（Retrieval-Augmented Generation）技术，包括准备外部数据、用户提问后搜索、询问模型。详细展示了TXT、PDF和在线资源的加载示例，文本块应用，文本向量化，向量数据库的使用，以及自动化RAG对话链的构建。

本文介绍了如何给AI模型添加记忆，包括手动存储记忆、自动带记忆的对话链以及不同类型的记忆（如ConversationBufferMemory、ConversationBufferWindowMemory、ConversationSummaryMemory、ConversationSummaryBufferMemory和ConversationTokenBufferMemory）的详细对比和使用示例。

本文介绍了如何使用大模型和维基百科API生成视频脚本，包括创建项目及安装依赖项、创建AI请求以及创建网站页面的详细步骤。

本文介绍了如何使用AI模型进行基本的输入输出操作，包括基本使用方法、模板化输入、小样本示例模版化、从输出中提取列表和JSON，以及LCEL（LangChain表达式语言）的使用。

本文介绍了LangChain的必要性、功能以及如何安装和使用LangChain。

本文介绍了如何使用API进行文本总结、文本撰写、文本分类和文本翻译。

本文介绍了如何优化提示词以提高AI模型的输出质量，并提供了零样本和小样本提示的示例。

本文介绍了如何在服务器上部署 LobeChat 服务端，包括 SSH 连接、Docker 安装、Postgres 数据库部署、LobeChat 部署以及 Nginx 反向代理配置。

本文详细介绍了模型评估与选择的相关概念，包括经验误差与拟合、评估方法、性能度量等内容。