哥本哈士奇的博客

目前主流向量数据库（FAISS、Milvus、Chroma、Pinecone）全部支持三种核心度量方式：Cosine余弦相似度、Dot Product点积、Euclidean欧氏距离。很多新手做RAG踩坑的核心原因：选错相似度算法，导致语义匹配完全失真、检索结果错乱。本文用通俗逻辑、标准公式、直观案例，一次性讲透三者的原理、区别与RAG最优选型方案。

《低智商犯罪》都看了吧，是否现在还在回味剧情里每一个人物的刻画，以及每一个案件的编排。看完后咱们就来简单的学习一下，如何把剧集里的人，事件以及各种关系，构建成一个简单的知识图谱。

LangChain的DeepAgents已经发布有段时间了，最近的几个版本基本覆盖了大多数智能体都应该有的功能。本笔记基于 LangChain 的 DeepAgents 框架，演示如何构建了一个具有角色扮演能力的 AI 助手，并集成了自定义技能系统。以此方便后续的knowledge review以及vibe coding的reference。

目前不清楚这个问题是从哪个版本开始的。所以我把版本回退到了2026年4月1日的版本，因为我看视频教程，教程是在4月8日发布的，所以查看了下github的release记录，4月1日的版本是0.5.1，回退到这个版本，问题解决。本文撰写时间是2026年5月18日，目前langchain deepagent的版本为0.6.1。所以使用pip直接install deepagents的默认版本，大概率会遇到我所说的问题。以下代码演示如何卸载当前版本然后安装指定版本的deepagents。以下是我测试的完整代码。

上一篇讲述了一篇文章如何通过LLM转换成Cypher，然后在Neo4J里运行，形成知识图谱。此篇接着上篇，继续梳理一个用户查询，如何通过图数据库以及大模型去汇总查询结果。

随着大语言模型的爆发，Text2SQL（自然语言转SQL）技术正在重塑我们与数据库的交互方式。本文将系统性地梳理提升 Text2SQL 准确率的核心方法，涵盖提示工程、模型微调、推理增强三大维度。**所有示例基于微软 AdventureWorksDW2016 数据仓库**。

在最新的SSMS 22版本中，加入了微软官方的AI工具GitHub Copilot。此篇结合微软官方的文档，汇总了我们作为机长，应该如何跟这位副驾磨合。

在之前的文章中，我们完成了 SQLServer 2025 向量数据库的搭建和基本配置。本文将深入介绍服务层和前端部分的三个核心模块：**Embedding 生成**、**数据入库流程**以及**前端交互关键代码**，完成一个基于SQLServer 2025的向量数据库的RAG系统流程。

在第三篇笔记中，我们结合Python代码，通过Ollama的嵌入模型，实现了为SQLServer 2025向量数据库生成向量值。从SQLServer 2025开始，是支持直接把大模型作为EXTERNAL MODEL的。此篇将介绍如何配置Ollama里的嵌入模型作为SQLServer 2025的EXTERNAL MODEL。

在大模型RAG应用中，提起向量数据库大家想到的更多的是Chroma和FAISS，微软也紧跟时代的步伐，并且在2025年底发布的 SQLServer 2025 也提供了原生向量支持，此篇将介绍如何在SQLServer 2025里搭建向量数据库环境。

在AI问答与数据查询领域，传统RAG、Text2SQL、Graph RAG是三种核心的技术路径，它们各自有明确的定位、独特的特点，适配不同类型的查询需求。很多开发者在实际项目中会混淆三者的适用场景，本文将详细拆解每个系统的核心特点，明确其适合回答的问题类型，并搭配10个具体示例，帮助大家快速区分、精准选型。

简单介绍OpenClaw核心八大 MD 文件，soul.md, identity.md, user.md, memory.md, agents.md, bootstrap.md, skill.md, heartbeat.md。

继续上篇，此篇使用Microsoft Agent Framework 创建了一个简单的智能体，会根据用户的提问去调用相应的工具。此篇不依赖Azure资源，仍使用可以本地安装和部署的资源。

此篇的学习笔记来自于B站强哥学编程，记录了关键的代码片段和知识整理，方便后续对相应知识点的复习，这一篇是RAG的关键LangChain代码。RAG是一种结合了检索和生成的AI技术，通过从外部知识库检索相关信息，增强大语言模型的生成能力，从而提供更准确、更相关的回答。此篇使用的LangChain版本是1.x，于2026年4月。

本文介绍了利用SKILL功能实现企业请假流程自动化的方法。通过对话机器人，员工可以直接在OC系统中用自然语言提交请假申请，系统自动提取请假类型、起止时间等信息，若信息不全则会智能追问确认。相比传统HR系统操作更便捷高效，支持"我想在后天请一天年假"等自然表达，并能处理不完整信息（如"我想休天假"）。文章展示了SKILL的具体实现代码和测试案例，证明该方案能完美替代传统请假流程，只需后续对接HR系统接口即可完成全自动化处理。

构建AI应用的前端方案有很多，这里介绍一个开源前端库---Gradio，通过它可以使用简短的代码就可以快速的实现简单的AI应用前端。这里我们选择的场景为做RAG召回测试，通过调用先前封装好的LangChain代码，来快速的搭建这个前端页面。

前段时间有朋友问，是否能利用AI技术来辅助销售团队进行培训。这里我就用LangChain来构建一个简单的模型，构建一个AI Agent，来简单演示下实现的思路。AI Agent也就是我们所说的智能体，相比大模型，它可以让大模型的手伸出来，来进行信息获取甚至一些实质的操作。通过此篇你可以观察到，通过AI Agent，你给它一堆工具之后，它是否能正确的依次使用每一个工具，并且是否跟我们人工的思考方式是一样的。

Python访问大模型很方便，也让大家构建复杂的系统更加的灵活。访问的方式也比较灵活，主要有http api，package api的方式。这里简单汇总了常用的三种方式，包括ollama的，http api的，openAI的以及dashscope的。