精读 So-Large-LM（二）：从分词到架构，再拆开智能体
📍 你在这里 AI 应用 · 第 8 篇 / 共 8 篇 ← 上一篇 IndexTTS：工业级零样本语音合成项目解析 · 下一篇 → PyTorch 基础环境安装 本文性质：开源教程精读与导读，非原文转载。内容基于 Datawhale 社区开源教程整理，属于个人学习笔记。 原文来源：《大模型基础》第
AI 应用
用大模型做东西，RAG、Agent 与主流框架实战
共 8 篇文章LangGraph 入门：与流程图的本质区别
📍 你在这里 AI 应用 · 第 6 篇 / 共 8 篇 ← 上一篇 LangChain 框架笔记 · 下一篇 → IndexTTS：工业级零样本语音合成项目解析 LangGraph是LangChain的扩展库，是一个基于图结构的工具库，用于创建代理和多代理智能体工作流。它专注于构建带有状态循环和多
IndexTTS：工业级零样本语音合成项目解析
📍 你在这里 AI 应用 · 第 7 篇 / 共 8 篇 ← 上一篇 LangGraph 入门：与流程图的本质区别 · 下一篇 → 精读 So-Large-LM（二）：从分词到架构，再拆开智能体 项目概述 IndexTTS是一个工业级可控高效零样本语音合成系统，基于XTTS和Tortoise架构改进
LangChain 框架笔记
📍 你在这里 AI 应用 · 第 5 篇 / 共 8 篇 ← 上一篇 AI 应用开发新范式：Agent 与 MCP · 下一篇 → LangGraph 入门：与流程图的本质区别 LangChain 是一个用于构建基于大型语言模型（LLM）的应用程序的开源框架，它通过提供一系列工具、组件和接口，简化了
AI 应用开发新范式：Agent 与 MCP
📍 你在这里 AI 应用 · 第 4 篇 / 共 8 篇 ← 上一篇 Function Calling 与 MCP · 下一篇 → LangChain 框架笔记 AI应用开发技术（框架） （原文档附带的附件请到语雀源文档查看） 这份文档围绕“2025年AI应用开发新范式——基于AI Agent与云原
文本向量化：RAG 的基础
📍 你在这里 AI 应用 · 第 2 篇 / 共 8 篇 ← 上一篇 检索增强生成 RAG · 下一篇 → Function Calling 与 MCP 向量化的意义及方法 向量化是为了计算问题的关联性，就好比相似度计算，比如在动物模型识别中猫和狗（哺乳动物、四条腿、外形相似等）计算出来他们相似度就
Function Calling 与 MCP
📍 你在这里 AI 应用 · 第 3 篇 / 共 8 篇 ← 上一篇 文本向量化：RAG 的基础 · 下一篇 → AI 应用开发新范式：Agent 与 MCP 要解决的问题 传统聊天大模型只会说话，没有工具调用能力，这使得大模型： 无法感知环境：无法与外部数据源交互，如通过 API 查询网页、查看用
检索增强生成 RAG
📍 你在这里 AI 应用 · 第 1 篇 / 共 8 篇 刚进这个阶段？AI 学习路线图 是总入口，零基础请从人工智能简史：AI 是怎么诞生的看起。 ← 上一篇 信息熵：抛三次硬币，看懂语言模型凭什么把文本压短 · 下一篇 → 文本向量化：RAG 的基础 RAG 概述 ChatGPT、GLM 等生成