大模型天生只会"吐字符串"，但程序需要的是字符串、列表、JSON 对象…… 输出解析器负责把模型输出转换成 Python 数据，这是让 LLM 接入业务代码的关键一步。 本节课学到： StrOutputParser：只要文本内容（最常用）； PydanticOutputParser：用 Pydantic 模型约束输出结构（LCEL 经典写法）； with_structured_output：基于模型原生"函数调用"的结构化输出（更稳更现代）。 """ 运行方式： .venv\\Scripts\\python examples\\03_output_parser.py """ import sys from pathlib import Path from typing import Literal sys.path.insert(0, str(Path(__file__).resolve().parent.parent)) from pydantic import BaseModel, …

本节课会学到： PromptTemplate：纯文本模板（传统"补全式"模型风格，也适合拼长文本）； ChatPromptTemplate：聊天消息模板，支持 system / human 多角色（最常用）； FewShotChatMessagePromptTemplate：少样本示例，用几个例子"教"模型按格式输出； 模板本身不会调用模型，它只负责"拼提示词"，拼好后再交给 LLM。 """ 02 提示词模板（Prompt Template）—— LangChain 学习第 2 课 ========================================================== 本节课你会学到： 1. PromptTemplate：纯文本模板（传统"补全式"模型风格，也适合拼长文本）； 2. ChatPromptTemplate：聊天消息模板，支持 system / human 多角色（最常用）； 3. FewShotChatMessagePromptTe…

本节课会学到： ChatModel（聊天模型）是 LangChain 最核心的抽象，与具体厂商无关； 模型的三种调用方式：invoke（单次）、stream（流式）、batch（批量）； 消息（Message）的四种角色：System / Human / AI / Tool； 返回结果 AIMessage 的结构（内容、token 用量等）。 """ 01 模型基本调用 —— LangChain 学习第 1 课 ========================================== 本节课你会学到： 1. ChatModel（聊天模型）是 LangChain 最核心的抽象，与具体厂商无关； 2. 模型的三种调用方式：invoke（单次）、stream（流式）、batch（批量）； 3. 消息（Message）的四种角色：System / Human / AI / Tool； 4. 返回结果 AIMessage 的结构（内容、token 用量等）。 运行方式（在项目根目录下）： .venv\\Scripts\\python examples\\…

JSON文件内容参考 Chrome路径需要根据自己情况来设置 { "args": [ "-y", "@modelcontextprotocol/server-puppeteer" ], "command": "npx", "env": { "ALLOW_DANGEROUS": "true", "PUPPETEER_LAUNCH_OPTIONS": "{\"headless\": false, \"executablePath\": \"C:/Users/Eric/AppData/Local/Google/Chrome/Application/chrome.exe\", \"args\": [\"–window-size=1920,1080\"], \"defaultViewport\&qu…

AGENTS.md 文件保存在 Windows 路径 C:\Users\用户名.codex\ Mac Os 路径 ~/.codex/ AGENTS.md 文件内容 # 🎯 Agent 并行工作规范 > ** 核心原则 **：最大化并行、最小化阻塞 —— 将任务拆解为 ** 可独立执行且互不冲突 ** 的子任务，通过 `multi-agent` 并行调度，待全部结果返回后整合为阶段性产出，再递归拆解下一轮，直至任务完成。 — ## 📋 执行流程 ### 1. 任务分析 – 识别任务中的 ** 依赖关系图 ** – 区分「可并行节点」与「必须串行节点」 – 评估各子任务的预估耗时与资源占用 ### 2. 并行调度 – 将所有 ** 无前置依赖 ** 的子任务打包，通过 `multi-agent` 同时下发 – 确保子任务之间 ** 不存在写冲突 **（如同时修改同一文件 / 变量） – 为每个子任务设定清晰的输入边界与输出格式 ### 3. 结果汇总 – 等待本轮所有并行任务返回 – 校验输出一致性，处理异常或冲突 – 整合为 ** 阶段性结果 **，作为下一轮的输入 ### 4. 递…

ClaudeCode CLI 配置env后仍然要求登录 Anthropic 在 ~/.claude.json 添加："hasCompletedOnboarding": true 注意不要看错文件，不要添加到 ~/.claude/settings.json

平时 Claude Code 干活到一半时，会突然提示需要你授权后才能执行下一步。 因为 Claude Code 默认使用严格的只读权限。当需要额外操作（编辑文件、运行测试、执行命令）时，Claude Code 会请求明确的权限。 你只需要激活 Bypass Permissions 模式之后，就无需授权，他会一直自动执行下去。激活的方式，可以通过命令行的方式，也可以直接修改settings文件。 命令行参数，可以使用 –dangerously-skip-permissions 命令行参数来绕过所有权限检查。 claude –dangerously-skip-permissions 通过设置settings.json文件配置的方式 { "permissions": { "defaultMode": "bypassPermissions" } }

介绍 Awesome-Ollama-Server 是一个用于监控和检测 Ollama 服务可用性和性能的系统。它提供了一个现代化的 Web 界面，支持多语言（中文/英文），并具有实时检测和数据展示功能。这个开源项目可以找到类似 DeepSeek 这样的可用的资源。 功能特点 🔍 服务检测 支持批量检测 Ollama 服务 实时显示检测状态和结果 支持检测结果导出 支持自动 FOFA 扫描 📊 性能监控 测试服务响应时间和 TPS 展示可用模型列表 性能数据可视化 🌐 多语言支持 中文界面 英文界面 一键切换语言 🎯 高级筛选 模型过滤 TPS/更新时间排序 分页显示 Awesome-Ollama-Server地址