- Ollama是什么
- 安装与配置
- 基本命令
- 模型管理
- 下载并运行llama3
- 模型参数调整
- 热加载与卸载
- 多模型管理
- REST API概览
- API端点介绍
- 使用curl调用
- 认证与安全
- 流式输出实现
- 自定义请求参数
- 错误处理与重试
- API性能调优
- 安装requests库
- 编写Python客户端
- 发送聊天请求
- 处理响应数据
- 框架介绍
- 核心概念
- 安装与配置
- 第一个LangChain应用
- Ollama LLM封装
- 配置模型参数
- 流式输出集成
- 错误处理
- 什么是Prompt
- 设计原则
- Few-shot
- Chain-of-Thought
- PromptTemplate
- 动态变量注入
- 模板复用与组合
- 最佳实践
- 文档加载器概览
- 加载PDF
- 加载网页
- 加载CSV/Excel
- 文本分割原理
- RecursiveCharacter
- 按语义分割
- 分割参数调优
- 什么是向量嵌入
- Ollama嵌入模型
- LangChain嵌入集成
- 嵌入维度与性能
- 向量数据库概念
- 主流对比
- Chroma/FAISS/Qdrant
- 安装Chroma
- LangChain检索器接口
- VectorStoreRetriever
- 自定义检索器
- 检索参数调优
- RAG架构详解
- 检索增强生成流程
- 为什么需要RAG
- RAG vs 微调
- 完整RAG流水线
- 加载→分割→向量化
- 检索→生成
- 第一个RAG应用
- 混合检索策略
- 重排序Re-ranking
- 查询重写
- 多轮检索
- 上下文窗口限制
- 动态上下文压缩
- 滑动窗口策略
- 长文档处理
- 对话历史管理
- 记忆组件集成
- 多轮对话RAG
- 上下文保持
- LangChain Agent
- Tool定义
- RAG作为Tool
- 复杂任务编排
- Flask/FastAPI
- Docker容器化
- 环境变量管理
- 生产配置
- 多模态RAG
- Graph RAG
- RAG与微调结合
- 未来趋势