xhj的博客

9 - LangChain 概述与架构 本章课程目标： 建立对 LangChain 的整体认识，知道它是什么、解决什么问题、在 AI 应用开发里处于什么位置。 理解 LangChain 在 1.x 时代的产品边界、包结构、版本演进，以及它与 LangGraph、LangSmith、Deep Agents 的关系。 建立对 Model I/O、Chains、Memory、Retrieval、Tools/Agents、Callbacks 这六类教学视角的整体认知。 学习建议： 这一章先当成 LangChain 的地图，不急着记 API。读完最好能说清三件事：LangChain 帮你组织哪些能力、它不负责哪些底层能力、1.x 写法和旧资料里的 0.x 写法为什么会不一样。看完后直接进入 第 10 章 跑一次最小调用，抽象概念会落得更稳。 官方文档与资源：详见 工具导航与参考资料索引 - LangChain。 1、LangChain 简介1.1 定义LangChain 是一个面向 LLM 应用开发的开源框架。它本身不是大模型，也不是数据库，更不是知识库平台；它更...

8 - Docker 快速入门与 Dify 部署排障第 6 章已经带你在 Windows 上跑过 Coze Studio、Dify、Coze Loop，第 7 章会继续讲企业级大模型部署。本章回头补 Docker 这层基础。后面排查 Dify、迁移服务、升级版本时，经常都要回到 Docker 层看状态、日志和数据挂载。 刚开始做 Dify 私有化部署时，问题经常被简单归成“Dify 装不上”。实际排查下来，卡住的地方往往更基础：镜像和容器分不清，宿主机端口和容器端口分不清，不知道 volume 会不会被删，也看不懂为什么一次启动会拉起一组容器。升级后如果进入初始化页面，问题通常也不在页面本身，而是数据库、挂载目录或 .env 没对上。 这一章只抓部署 Dify 和后续实战项目最常用的那条线：镜像怎么交付环境，容器怎么运行服务，Compose 怎么拉起多服务，volume 怎么保存数据，日志和备份怎么辅助排障。 官方文档与资源：详见 工具导航与参考资料索引 - 部署与基础设施。 阅读路径 现在遇到的问题 建议先看 还没安装 Docker Desktop 第 2.2～2....

7 - 企业级大模型部署本章面向企业级私有化部署：在自有机房或云服务器上部署 Dify（应用层）和 Xinference（模型托管与推理层），实现数据不出域、成本可控、模型版本可管的完整链路。内容偏实战，涉及租云服务器、装 Docker、部署 Dify、租 GPU 服务器、部署 LLM/Embedding/Rerank 及 Dify 对接自建模型。 本章课程目标： 理解企业级部署为什么通常要把 应用层 和 模型推理层 分开。 分清 推理引擎 和 模型托管平台 的职责边界，不再把 vLLM、Ollama、Xinference 混成一个概念。 完成 Dify 在服务器侧的私有化部署。 完成 Xinference 在 GPU 服务器上的部署，并分别托管 LLM、Embedding、Rerank 模型。 理解 Dify 对接 Xinference 后，为什么这条链路更适合企业做统一模型治理。 学习建议： 企业部署最容易被环境细节淹没，先把层次分清：Dify 属于应用层，Xinference 属于推理层，GPU 服务器只是承载它们的基础设施。第 1 节先看选型逻辑，...

6 - Coze 与 Dify 的 Windows 平台部署本章偏实操部署：在 Windows 上把常见低代码智能体平台跑起来。Docker Desktop 的安装与通用排障已经统一放到第 8 章，本章直接进入 Coze Studio、Dify 和 Coze Loop（扣子罗盘） 的部署流程。 本章课程目标： 理解 Coze 开源后，为什么它在私有化、B 端交付、内网场景里有现实价值。 分清三个部署对象：Coze Studio 负责开发与调试，Dify 负责工作流、知识库和应用发布，Coze Loop 负责评测、实验、Trace 和运维。 完成 Coze Studio 在 Windows 上的最小部署：确认 Docker 环境 -> 获取代码 -> 配置模型 -> docker compose 启动 -> 浏览器访问。 完成 Dify 在 Windows 上的最小部署：确认 Docker 环境 -> 获取代码 -> 配置 .env -> docker compose up -d -> 浏览器访问。 理解两条常见模型接入路线：云端...

5 - Python 调用 Coze 平台工作流本章偏平台调用实战：学会用 API 和 Python 调用你在 Coze 上已搭建好的工作流，把“扣子里的工作流”接进本地代码和业务系统。 本章课程目标： 知道调用前需在 Coze 中发布 API，并在 API 调试页面拿到 workflow_id、app_id 和 API Key。 理解 Coze 工作流调用里最关键的请求字段：workflow_id、app_id、parameters。 能看懂 Coze 流式返回里的常见事件：PING、Message、Done。 能用 cozepy 官方 SDK 在本地跑通一次最小调用，并知道真实项目里为什么要用环境变量而不是把密钥写死在代码里。 学习建议： 这章和第 4 章最适合对照着看。你会发现两个平台虽然界面、SDK 和字段命名不同，但背后的主线是一样的：平台发布 -> 鉴权 -> 传业务参数 -> 收事件流 -> 去平台日志核对结果。 1、调用前必须先发布 APICoze 的 API 能力需要通过应用发布功能启用。 这一步的意义和 Dify 很像：只有发...

4 - Python 调用 Dify 平台工作流本章偏平台调用实战：学会用 API 和 Python 调用你在 Dify 上已搭建好的工作流，把“页面里的工作流”真正变成“代码里可调用的服务”。 本章课程目标： 知道调用前需在 Dify 中发布工作流，并会创建 API 密钥（密钥与工作流一一对应）。 掌握 Dify 工作流调用最核心的 5 个要素：URL、Authorization、inputs、response_mode、user。 能用 Postman 或 Python + requests 成功触发一个 Dify 工作流，并从流式结果里拿到最终输出。 会在 Dify 工作空间里查看运行日志，把“代码侧日志”和“平台侧日志”对起来排查问题。 学习建议： 这篇是在把 Dify 工作流从页面带到代码里。读的时候盯住五个位置：发布状态、API Key、inputs、流式事件、运行日志。建议先用 Postman 或 requests 跑通一个最小调用，再回头补字段细节；否则很容易把“接口没通”和“工作流本身没跑对”混在一起。如果你已经看过 第 3 章 的平台案例，本章会是非常自...

3 - 基于 Coze&Dify 平台的智能体开发 2025 年，被视为智能体落地元年。现在搭建一个智能体，就好比 2013 年你就有了第一批公众号，好比 2016 年你注册了抖音。 这一章是整套教程里“平台型智能体与工作流”的入口。它不以代码框架为主，而是先带你在 Coze、Dify、Cherry Studio 这类低代码/零代码平台里，把提示词、工具、知识库、变量、工作流这些核心能力真正跑起来。 如果说 第 21 章 Agent 智能体 主要解决的是“Agent 在原理和代码框架里到底怎么工作”，那么这一章更关心的是“不会写太多代码时，怎样先把一个可用的智能体应用做出来”。 本章课程目标： 从平台视角理解“智能体”到底是什么，知道提示词、工具、知识库、变量、工作流分别解决什么问题。 理解平台智能体的三种常见形态：提示词型、工作流型、更自主的 Agent 型，并知道它们各自适合什么任务。 能用 Cherry Studio、豆包、讯飞星火等 完成最轻量的角色型智能体。 掌握 Coze（扣子） 中搭建智能体的主要能力：提示词、插件、知识库、变量、数据库，并完整...

2 - RAG - 搭建企业私有&个人知识库本章是全书里第一篇把 RAG 与知识库 落到产品和平台上的章节。前面的 1-3 RAG、微调、续训与智能体选型 更偏“为什么选 RAG、什么时候该选 RAG”；本章更偏“如果已经决定用 RAG，该怎样把知识库搭起来”；后面的 19-RAG检索增强生成 会继续从 LangChain 代码侧，把文档加载、切块、Embedding、向量库、检索与生成串成完整工程链路。 本章课程目标： 理解 RAG 是什么、为什么需要，以及它与知识库、向量库、Embedding、提示词增强之间的关系。 建立对 RAG 两阶段流程的完整认识：知识库构建（离线） 与 检索生成（在线）。 知道什么是“个人/企业知识库”，哪些人适合先从知识库入手，而不是一上来就考虑微调。 能使用 Cherry Studio、ima、Dify 三种方式搭建知识库，保留直观的产品体验与操作路径。 学习建议： 这篇适合一边看平台，一边画出 RAG 链路：文档从哪里来、如何切分和索引、用户提问时怎么召回、召回内容又怎么交给模型。按钮不用一次记全，但每做一步都要问自己：...

1-3 RAG、微调、续训与智能体选型当单靠提示词工程无法满足需求时，就要开始考虑更进一步的工程手段。本篇围绕五大模块中的后四项展开：RAG、微调、续训、智能体开发。它们表面上都在“增强模型能力”，实际解决的问题并不一样。 本章课程目标： 建立一张清晰的选型地图：知道 RAG、微调、续训、智能体 分别在解决什么问题。 理解 RAG 的核心价值是补知识，理解微调的核心价值是改行为，理解续训的核心价值是补领域分布。 理解智能体并不是“更强的大模型”，而是大模型 + 工具 + 状态 + 执行流程的系统。 能结合真实项目判断：什么时候继续优化 Prompt，什么时候上 RAG，什么时候考虑微调，什么时候再引入工作流（Workflow）或 Agent。 学习建议： 学这章时，建议始终围绕三条线来判断方案：**知识够不够、行为稳不稳、流程会不会动。**如果缺的是知识，先看 RAG；如果缺的是输出风格、格式、指令遵循，先看微调；如果缺的是更底层的领域语言能力，才考虑续训；如果缺的是多步决策、外部工具调用和执行能力，再看智能体。这样你就不会把几种方案混成一团。 官方文档与资源：详见 工具导...

1-2 提示词工程基础在理解了 1-1 大模型认知与工程概览 之后，本篇正式进入大模型工程落地的第一层能力：提示词工程。它是五大模块里成本最低、见效最快、也是最值得最先掌握的一层。 本章课程目标： 理解提示词（Prompt）与提示词工程（Prompt Engineering）的定义、作用与边界。 掌握写 Prompt 最常用的一套方法：角色、任务、背景/上下文、输入数据、输出格式、质量与约束六要素。 理解 Zero-shot、Few-shot、提示词模板和 System / User / Assistant 结构化组织方式的适用场景。 知道提示词工程什么时候够用、什么时候不够用，以及在真实项目中如何与 RAG、工作流、智能体配合。 学习建议： 提示词不是咒语，关键是把需求写到模型能执行。读这一章时，最好拿一个真实任务边看边改：先写清角色和任务，再补输入边界、输出格式、示例和约束。读完后，至少能把一句含糊的“帮我写一下”改成一段可执行、可检查的提示词。 和第 13 章的分工： 本章解决的是“Prompt 为什么这样写、应该写哪些信息、什么时候有效...