- 博客(9)
- 收藏
- 关注
RSS订阅原创 AI简历优化：从最差简历到Multi-Agent实战
本文介绍了一个基于Multi-Agent架构的简历优化系统。作者因曾收到"最差简历"评价而设计此系统，通过对话式交互帮助用户优化简历。系统采用双工作流并行处理：一个负责自然语言对话，另一个负责结构化总结，使用Pydantic模型确保数据格式规范。文章详细展示了系统架构，包括初始化配置、对话工作流、总结工作流及其整合方法，同时提供了提示词设计思路。该系统通过迭代对话逐步完善简历内容，最终生成结构化且优化的简历文本。作者还分享了30轮对话后的实际优化效果，证明该方法能有效提升简历质量。
2025-09-17 18:22:47
498
原创 LightRAG——另一种构建知识库的方法
本文介绍了从GraphRAG转向LightRAG构建个人知识库的过程。作者详细说明了LightRAG的本地部署步骤，包括环境配置、模型设置和端口调整，并展示了如何通过FastAPI接口上传资料和获取回复。为简化操作，作者还提出了使用Tkinter创建GUI窗口的方案，以替代原本需要通过API文档进行的复杂操作。该方案显著降低了知识库构建成本，同时保持了良好的扩展性，特别适合作为论文助手使用。
2025-09-10 23:05:56
1178
原创 Zetore获取pdf论文，搭建你专属的AI阅读助手
但在专业术语较多的论文中，翻译也不能很好地传达论文的意图，就算艰难地对照着看完，在论文数量越来越多，需要回顾和查找之前看过的方法时，又会面临同样的问题。既然如此，为何不让我们强大的AI来帮助我们总结我们的论文并把结果保存下来，成为我们专属的论文阅读助手呢？最后的最后，我们目前只是用了一个pdf文件进行，如果想要批量处理的化，我提供了以下几种方法，分别是读取一个目录下的所有pdf文件并且放置到一起的、处理所有md文件为txt文件并放置到指定文件夹下的。其中的md文档是我们最需要的。
2025-09-08 14:27:04
1169
原创 推荐算法与RAG：数据挖掘的奇妙之旅
本文介绍了三种电影推荐算法及其Python实现：1. 基于文本的TF-IDF匹配方法，通过计算电影描述与用户查询的余弦相似度进行推荐；2. 矩阵分解方法（SVD和ALS），通过分解用户-电影评分矩阵预测用户偏好；3. 基于图的推荐方法，构建用户-电影关系图，通过邻居节点分析进行推荐。文章使用MovieLens数据集进行实验，详细展示了数据预处理、算法实现和结果评估过程，并指出向量检索、强化学习等可作为进一步拓展方向。这些方法展示了推荐系统从简单到复杂的多种实现路径。
2025-08-27 13:02:32
995
原创 GraphRAG完整搭建指南：避坑全攻略
本文分享了使用微软GraphRAG包构建知识图谱的完整流程和避坑指南。作者针对官方文档过于简洁的问题，详细记录了从模型部署到知识图谱构建的全过程。关键要点包括：1) 本地部署推荐使用24G显存显卡，建议选择Qwen3-7B等能力较强的LLM模型；2) 嵌入模型必须符合OpenAI接口规范，推荐BGE-M3模型；3) 知识库建议使用txt格式，json格式可能产生性能问题；4) 配置文件settings.yaml需要特别注意模型参数设置；5) 构建过程耗时较长(15k token约2小时)，建议优化分块策略。
2025-08-20 15:37:07
901
原创 LangGraph本地部署与使用指南
本文介绍了使用LangGraph构建本地LLM对话助手的具体实现方法。首先需要定义状态数据结构（ChatState），然后通过自定义函数处理LLM回复和消息历史。文章详细说明了如何构建工作流图（StateGraph）并实现SQLite持久化存储，同时提供了处理用户输入的事件流函数（stream_graph_updates）。最后展示了如何通过while循环实现带对话记忆的交互式聊天，并介绍了从数据库加载历史记录的方法。文中特别指出了LangGraph不会自动拼接对话历史、SQLite存储可能存在重复记录等问
2025-08-12 17:11:31
677
原创 Llama-index RAG避坑指南：最新实战经验
本文分享了使用Llama-index构建RAG问答系统的实战经验。针对该库更新快、资料过时的问题，作者总结了常见解决方案：1)通过添加.core路径解决导入问题；2)注意需要单独安装组件库；3)使用FAISS实现本地持久化存储。文章详细介绍了文档处理、嵌入索引构建、知识检索等核心步骤的实现代码，并提供了多种优化方案：结合BM25和向量检索、使用重排模型提升准确性、通过mini-LLM优化查询意图等。特别适合正在使用本地部署LLM搭建RAG系统的开发者参考，帮助避免常见问题。
2025-08-09 19:40:01
1209
原创 实战解析：LlamaIndex与Weaviate的部署避坑指南
本文记录了LlamaIndex和Weaviate结合使用的实践探索。作者尝试在vast.ai租用GPU服务器时发现容器内无法嵌套运行Docker；在本地部署Weaviate向量数据库时遇到版本兼容性问题和WSL故障，最终改用Chroma数据库；测试vLLM部署Qwen3-0.6B模型时解决了显存和API请求头问题。文章还分享了向量数据库选择建议和学习资源推荐，指出当前Weaviate的Python客户端文档已过时，建议新手使用更易上手的Chroma数据库。
2025-08-05 17:42:41
648
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人