甘虎文'blogs

让这个MusicPlayer音乐播放器在浏览器里访问1234567891011121314151617181920212223242526272829303132生成了可部署的网页版本1、进入系统根目录cd /home/xxx/MusicPlayer2、安装依赖（跳过如果已经安装过）npm install3、生产环境构建（非常关键！）npm run build 3.1、Error: EACCES: permission denied 没有写入权限 sudo chown -R musicuser:musicuser /home/xxx/MusicPlayer把网页部署到服务器，让你能在浏览器访问。1、Electron + Vite 项目构建后，网页文件会位于：out/renderer/方案 A（最快速）：用 serve 在服务器直接跑网页1）安装 serve（如果没装）npm install -g serve2）运行网页serve -s out/renderer -l 80053）访问http://47.115.72.68:8005要看到“有歌曲、有数据的成功案例方案 A — 最快...

命令集Ubuntu系统Ubuntu 防火墙 ufw 开启并阻止了 22123456之前运行过 ufw 相关命令，如果后来有人启用了 ufw，SSH 会被挡掉。sudo ufw status （看状态）Status: active sudo ufw allow 22 （允入22）sudo ufw reload （重新加载）sudo ufw disable （关闭） npm install（node packages manages）nano（linux文本编辑器，比vim简单）12345nano xxx（以普通用户权限编辑文本文件）sudo nano（以管理员权限编辑文本文件）ctrl + K (删掉整行)ctrl + x（退出）enter （回车确认保存） Node.jsNode（全名 Node.js）就是让 JavaScript 能够在服务器上运行的环境。 12345http://47.115.xx.xx:3000/（跑后端 API 服务，背后就是 Node 服务器在运行。）npm run dev:web 【跑前端编译工具（Vite、Webpack、Vue、React 都依...

011、什么是Function Call？概念：大模型基于具体任务，智能决策何时需要调用某个函数，同时返回符合函数参数的 JSON对象。 能力获得的方式：基于训练来得到的，所以并不是所有大模型都具有Function Call能力。 优势：信息实时性、数据局限性、功能扩展性。 2、Function Call 工作原理是什么？主要步骤： 用户（客户端）发送请求和提示词，聊天服务器（Chat Server）将该提示词以及当前可调用的函数列表一并发送给大模型。 大模型根据提示词的内容和上下文，判断应生成普通文本回复，还是以函数调用的格式进行响应。 如果模型决定调用函数，它会返回一个包含函数名称和参数的结构化调用指令；聊天服务器接收到该指令后，执行对应的函数，并将函数的实际执行结果返回给大模型。 模型再根据函数返回的数据，将其整合并生成一段自然、连贯的文本作为最终回复，返回给用户。 3、Function Call的使用方式123456789101112131415161718192021222324252627282930313233343536373839404142434445...

P02-项目实现一、项目架构与代码架构图【掌握】1 项目架构图SmartVoyage 是基于A2A与MCP协议实现是一个多agent系统。系统包括 LLM 路由服务器（意图识别）、天气代理服务器（查询天气数据库）、票务代理服务器（查询票务数据库）、票务预定服务器（API接口）、MCP 工具服务器（数据库接口）、数据采集脚本和 Streamlit 前端客户端。 2 代码架构图以下是代码层面的架构图。 代码结构如下： 二、项目实现1 整体流程【熟悉】 配置基础环境（config.py 和 create_logger.py） 初始化数据库（SQL 脚本） 采集数据（spider_weather.py） 完成 MCP 服务器（mcp_weather_server.py 、mcp_ticket_server.py 和 mcp_order_server.py） 完成A2A代理服务器（weather_server.py 、ticket_server.py 和 order_server.py） 完成客户端（main.py） 启动服务进行联调 启动MCP 服务器（mcp_weather...

P01_项目技术一、Function Call 函数调用 1 什么是Function Call【理解】概念：大模型基于具体任务，智能决策何时需要调用某个函数，同时返回符合函数参数的 JSON对象。 能力获得的方式：基于训练来得到的，所以并不是所有大模型都具有Function Call能力。 优势：信息实时性、数据局限性、功能扩展性。 2 Function Call 工作原理【理解】主要步骤： 用户(client)发请求提示词，chat server将提示词和可以调用的函数发送给大模型 GPT模型根据用户的提示词，判断是用普通文本还是函数调用的格式回复我们的服务(chat server) 如果是函数调用格式，那么chat server就会执行这个函数，并且将结果返回给GPT 然后模型使用提供的数据，用连贯的文本响应。 3 Function Call 使用方式3.1 自定义tool结构【熟悉】代码： 1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950...

基于LangGraph的垂直领域智能体实战 实现步骤： 环境搭建：能够独立配置LangGraph开发环境。 掌握工具：掌握LangGraph的核心概念（图、节点、边、状态、流程控制等） 基础开发：完成基本的对话系统/工作流的搭建。 设计模式：理解和实践六种主流的智能体设计模式。 完成项目：使用LangGraph，完成新车型设计方案，具备构建智能体的实战能力。 1. LangGraph介绍 a. 需要达到的目标 做到了解基于大模型的智能体 了解LangGraph和LangChain的区别 能够独立安装LangGraph环境 能够快速上手第一个LangGraph程序 b. 智能体 智能体（Agent）是指能够感知环境并采取行动以实现特定目标的代理体。它可以是软件、硬件或一个系统，具备自主性、适应性和交互能力。智能体通过感知环境中的变化（如通过传感器或数据输入），根据自身学习到的知识和算法进行判断和决策，进而执行动作以影响环境或达到预定的目标。智能体在人工智能领域广泛应用，常见于自动化系统、机器人、虚拟助手和游戏角色等，其核心在于能够自主学习和持续进化，以更好地完成任务和适应...

借助MCP搭建AI数据分析智能体进行MCP智能体快速发开发，来搭建一个能够进行SQL查询和Python自动编写的入门级数据分析智能体。 1、创建项目使用Pycharm创建一个项目 2、配置MySQL安装好mysql后，创建表并插入数据 12345678910111213141516171819202122CREATE DATABASE school;USE school;-- 然后创建一个虚拟表格，里面包含了10位同学各自3门课程的分数：CREATE TABLE students_scores ( id INT AUTO_INCREMENT PRIMARY KEY, name VARCHAR(50), course1 INT, course2 INT, course3 INT );INSERT INTO students_scores (name, course1, co...

langchain介绍概念什么是LangChainLangChain由 Harrison Chase 创建于2022年10月，它是围绕大模型应用的开发建立的一个框架。 LLMs使用机器学习算法和海量数据来分析和理解自然语言。GPT3.5、GPT4是LLMs最先进的代表，国内百度的文心一言、阿里的通义千问也属于LLMs。 LangChain自身并不开发LLMs，它的核心理念是为各种LLMs实现通用的接口，把LLMs相关的组件“链接”在一起，简化LLMs应用的开发难度，方便开发者快速地开发复杂的LLMs应用。 官网链接https://python.langchain.com/docs/integrations/text_embedding/huggingfacehub langchain组件LLM、Prompts、Memory、Index、Chains、Agent 核心组件LLM、Prompts、Memory 可以参考deepseek对话网页的主要组成部分：右上方的大模型对象、右下方的聊天框、左边的会话记录 一个大模型的应用部署，实际只需要一个大模型（调用api key、本地部署大模...

MCP协议 MCP模型上下文协议 学习目标 理解协议在AI中的作用。 掌握MCP的核心概念及应用。 分析MCP与Function Calling的差异，并解释为什么MCP可以降低对大模型Function Calling能力的要求。 1、什么是MCP协议 MCP（Model Context Protocol，模型上下文协议）是由 Anthropic 在2024年1月提出的一套开放协议，旨在实现大型语言模型（LLM）与外部数据源和工具的无缝集成，用来在大模型和数据源之间建立安全双向的链接。 Anthropic的愿景，希望把MCP协议打造成AI世界的“Type-C”接口，可以通过MCP协议工具、数据链接起来，达类似HTTP协议的那种通用程度。 1.1核心概念 协议的定义： 协议（Protocol）是一种约定或标准，用于定义不同系统、设备或软件之间如何通信和交换数据。它确保各方使用相同的“语言”和规则，避免混乱。例如，HTTP协议定义了浏览器与服务器的交互方式，USB协议标准化了设备连接。 协议在AI中的作用： 在大型语言模型（LLM）和AI代理系统中，协议用于标准化模型与外部工具、...

给我解释一下milvus数据库索引方法的IVF-PQ的原理 好的，我们来详细解释一下 Milvus 中 IVF-PQ 索引的原理。我会用循序渐进的方式，从核心概念到整体工作流程来讲解。 核心思想：先粗筛，再细算IVF-PQ 不是一个单一的算法，而是两个经典技术的结合： IVF - 倒排文件：用于“粗筛”，快速缩小搜索范围。 PQ - 乘积量化：用于“细算”，在缩小后的范围内高效且近似地计算距离。 把它们组合起来，IVF-PQ 的工作方式就像图书馆找书： IVF：先根据书的类别（比如“计算机科学”、“文学”），找到可能存放目标书籍的几个书架（粗筛）。 PQ：然后在这几个书架上，不是一本一本地仔细看书名，而是通过书脊的颜色、厚度等特征快速排除大部分无关的书，最后只对剩下的几本进行精确比对（细算）。 这样避免了在整个图书馆（全库）进行地毯式搜索，极大地提升了效率。 1. IVF - 倒排文件目标： 将整个向量空间分割成 nlist 个小单元，缩小搜索范围。 工作原理： 聚类：在构建索引时，使用 K-Means 等聚类算法对所有原始向量进行训练，得到 nlist 个聚类中心（...