m0_73983707的博客

Qwen-Agent是一个开发框架。充分利用基于通义千问模型（Qwen）的指令遵循、工具使用、规划、记忆能力。Qwen-AgentDashScope服务提供的Qwen模型服务支持通过OpenAI API方式接入开源的Qwen模型服务RagasRagas (Retrieval-Augmented Generation Assessment) 它是一个框架，它可以帮助我们来快速评估RAG系统的性能用户输入的问题。从 RAG 系统生成的答案(由LLM给出)。

Qwen-Agent是一个开发框架。充分利用基于通义千问模型（Qwen）的指令遵循、工具使用、规划、记忆能力。Qwen-Agent支持的模型形式：DashScope服务提供的Qwen模型服务支持通过OpenAI API方式接入开源的Qwen模型服务。

向量是一种有大小和方向的数学对象。它可以表示为从一个点到另一个点的有向线段。例如，二维空间中的向量可以表示为（x，y），表示从原点（0，0）到点（x，y）的有向线段。以此类推，我可以用一组坐标（x_0, x_1, x_2, …, x_n）表示一个N维空间中的向量，N 叫向量的维度。嵌入（Embedding）是指非结构化数据转换为向量的过程，通过神经网络模型或相关大模型，将真实世界的离散数据投影到高维数据空间上，根据数据在空间中的不同距离，反映数据在物理世界的相似度。

① 初始化 ——> ② 掩蔽自注意力计算 ——> ③ 残差链接与层归一化 ——> ④ 跨注意力计算 ——> ⑤ 残差链接与层归一化 ——> ⑥ 前馈网络计算 ——> ⑦ 残差链接与层归一化。它会对输入（目标序列特征、编码器输出、源序列掩码、目标序列掩码等）进行处理，通过内部的多头注意力机制和前馈网络等组件，对目标序列的特征进行更新和转换。[batch_size, seq_len, d_model]实现位置编码的具体类，通过特定的算法（如基于三角函数的方法）生成位置编码向量，并添加到词嵌入向量上。

本文摘要： 文章详细介绍了智谱AI的GLM-4大模型及其在LangChain中的集成方法。GLM-4作为新一代基座模型，在性能、长文本处理和多模态能力上显著提升，支持复杂任务自动规划和工具调用。主要内容包括：1) GLM-4的基础能力、指令跟随、对齐能力和多模态表现；2) 通过Python SDK调用智谱API的完整流程；3) 在LangChain中封装自定义ZhipuAIGLM4类的实现细节，涵盖类定义、核心方法封装（invoke/stream）及与LangChain的兼容适配；4) 提供完整的调用示例代

本文介绍了基于智谱AI大模型的多Agent文章优化系统。该系统通过调用智谱API（如ChatGLM、GLM-3-Turbo等模型），实现了从主题分析、语言优化、内容丰富到可读性评估的全流程自动化处理。系统包含多个专用Agent模块，每个模块负责特定优化任务：主题分析Agent提取文章核心思想，语言优化Agent改进语法用词，内容丰富Agent提供扩展建议，可读性Agent评估传播效果。最终由综合优化Agent整合所有建议生成优化版本。文章以游戏《黑神话：悟空》的分析文本为例，展示了完整的优化流程和代码实现，

LangChain是一个开源框架，旨在帮助开发者使用大型语言模型（LLMs）和聊天模型构建端到端的应用程序，它提供了一套工具、组件和接口，以简化创建由这些模型支持的应用程序的过程。LangChain的核心概念包括组件（Components）、链（Chains）、模型输入/输出（Model I/O），数据连接（Data Connection）、内存（Memory）和代理（Agents）等。