ElasticSearchES核心概念 ES 概念 类比关系型数据库 通俗解释 Index 数据库 存储一类数据的集合，如“用户索引” Document 表中的一行 一条具体的数据记录，格式为 JSON Field 表中的列 数据的属性，如“姓名”、“年龄” Mapping 表结构定义 定义字段的数据类型和属性 Shard 分区 将数据分片，便于分布式存储和查询 Re

智能体分类 反应智能体 根据固定输入和固定规则作出反应，类似简单的聊天机器人，没有真正的规划能力 有限规划智能体 简单的多步骤执行任务，比如联网搜索等，像现在的GPT一样 自主规划智能体 根据目标自主分解任务制定计划，选择工具，一步步完成任务 关键技术 CoT思维链 CoT （Chain of Thought）思维链是一种让 AI像人类一样“思考”的技术，帮助 AI 在处理复杂问题

mcpMCP是什么mcp是一个协议/标准，制定了一套规范，用来告诉使用者和开发者如何使用和制定工具 标准造就生态 MCP架构C-S架构，客户端与服务端 ) 三层架构： 客户端/服务端：应用层操作 会话层：通过DefaultMcpSession实现管理通信模式和状态 传输层：通过JSON-RPC实现序列化和反序列化 MCP核心概念 Resources 资源：让服务端向客户端提

RAG高级知识常见检索策略 检索方法 原理 优势 劣势 向量检索 基于嵌入向量相似度搜索 理解语义关联，适合概念性查询 对关键词不敏感，召回可能不准确 全文检索 基于倒排索引，匹配关键词 精确匹配关键词，高召回率 不理解语义，同义词难以匹配 结构化检索 基于元数据或结构化字段查询 精确筛选，支持复杂条件组合 依赖良好的元数据，灵活性有限 知识图谱检索 利用实体间关系进行图遍历

PromptToken与Prompt基础概念 英文文本：一个 token 大约相当于4个字符或约0.75个英文单词 中文文本：一个汉字通常会被编码为 1-2个 token 空格和标点：也会计入 token数量 特殊符号和表情符号：可能需要多个 token 来表示 https://platform.openai.com/tokenizer Token成本优化技巧 精简提示词 定期清理对话历史 使用

突然就理解了大模型的编排和发展今天在继续做智能体项目的时候，因为要处理一段文本，所以我费尽心机想让gpt为我用正则表达式过滤文本 但是效果非常非常差，需要不断多段处理，非常非常麻烦 在我头晕目眩的时候，突然想到这样的文本处理可以交给大模型来实现，于是用Eino调用本地模型，三两下就解决了这样的问题，生成的答案又好又符合要求 这就给了我非常大的对大模型的震撼 当我们用传统方法处理文本，或者其他一些任

基础了解函数解释万物：符号主义把世间万物的联系都用一个函数联系 有输入，放入函数，得到输出 但是到头了，因为人类很多时候无法总结出一个函数来描述 近似逼近函数：联结主义通过简化函数，找到接近真实函数的近似解 比如一堆点，可以找一条近似的直线，而不是一条复杂无比的曲线 激活函数把线性函数变为非线性函数，比如加个sin，变成e的幂等等 神经网络输入层两个x1，x2； 线性变化+激活函数，得到隐藏层；

概述Eino提供了一整套的大模型编排使用所需要的组件 组件名 组件功能 ChatModel 与大模型交互，输入 Message 上下文，得到模型的输出 Message Tool 与世界交互，根据模型的输出，执行对应的动作 Retriever 获取相关的上下文，让模型的输出基于高质量的事实 ChatTemplate 接收外界输入，转化成预设格式的 prompt 交给模型

上手了解BitNet 最近微软开源了一个很小的，能在arm架构小cpu上用的大模型，我感觉前景和用处非常非常大，毕竟之前自己有做过硬件嵌入式，如果这个模型真的能应用，那对于很多领域的改变我感觉会是有革命性的 了解了一下，把Transformer模型进行了修改 nn.Linear（普通线性层） 权重是32位浮点数（FP32）或16位浮点数（FP16/BF16）。 每个权重可以是任意实数，

简介docker出现之后使用容器来部署程序的数量大大增加，容器数量越来越多，架构也越来越复杂，如何管理和编排容器就成了一个非常大的问题和挑战 k8s就是为了管理和编排容器而出现的引擎，用于容器的编排管理和扩展 核心组件节点node：一个节点就是一个服务器或者虚拟机 pod：k8s的最小调度单元，一个或多个容器的组合，pod为其提供了一个共享环境，一般只开一个容器 Service：将一组pod封装成