- 综合排序
- 最热优先
- 最新优先
- 来自专栏大模型
04-LLM与MCP集成实践
04-LLM与MCP集成实践概述在前三篇文章中,我们分别介绍了MCP协议、服务器开发和客户端开发。 本文将深入探讨如何将MCP工具集成到大语言模型(LLM)中,使用LangGraph构建智能代理应用,实现自动化的工具调用和状态管理。 文件:展开代码语言：BashAI代码解释#DeepSeekAPI配置DEEPSEEK_API_KEY=sk-your-actual-api-key-here#调试模式(可选)DEBUG=false基础集成架构架构图展开代码语言 (result["messages"])==1集成测试展开代码语言：PythonAI代码解释@pytest.mark.asyncioasyncdeftest_graph_execution():#创建图 参考资源LangGraph官方文档LangChainMCPAdaptersDeepSeekAPI文档文章标签展开代码语言：TXTAI代码解释LangGraph,LLM集成,MCP集成,智能代理,工具调用
27010编辑于 2026-02-03 - 来自专栏DeepHub IMBA
LLM-Client一个轻量级的LLM集成工具
所以这时候LangChain就解决了这个问题，LLM集成工具为将不同的语言模型集成到您的项目中提供了一种简化的方法。抽象了与每个LLM相关的复杂性和细微差别。 我这里又发现了一个刚刚发布不久的集成工具LLM-Client就出现了，本文将深入研究LLM -client和LangChain的特性、优势和注意事项。 而LLM-Client是专门为大型语言模型(llm)集成而设计的。它用户友好的界面，专注于消除集成复杂性为开发人员提供了无缝的体验。 LangChain LangChain庞大的社区是一个显著的优势。 LLM-Client llm-client提供了一个带有标准化参数的包装器，使开发人员能够绕过复杂的设置或不一致的配置。该工具专为与llm无缝集成而设计，调用起来更简单。 LLM-Client客户端的性能、灵活性和LLM集成的针对性设计使其成为那些寻求最大控制、高效和精简工作流程的人的是一个很好的工具，尤其是有异步的调用可以提高响应性能。 作者：Uri Peled
73310编辑于 2023-08-30 LLM集成 - API客户端与流式响应
第6篇：LLM集成 - API客户端与流式响应 构建生产级LLM API集成方案 Claude Code 与 Claude API 的集成展示了现代 AI 应用如何高效、可靠地与 LLM 交互。 { return error.code === 'ECONNRESET' || error.code === 'ETIMEDOUT' } return false } 下一篇预告 第7篇
12410编辑于 2026-06-22- 来自专栏charlieroro
矢量数据库与LLM的集成：实践指南
矢量数据库与LLM的集成：实践指南 本文将了解到什么是矢量数据库，以及如何与LLMs进行集成。通过LLMs和向量数据库的结合，可以节省微调带来的开销和时间。 使用Falcon-7B 和 ChromaDB构建一个封闭式问题机器人 本章中，我们将介绍如何使用向量数据库来构建一个LLM，是使用的模型是一个封闭式问题机器人(Closed Q&A bot)，该机器人使用一组集成的技术组件来有效解答与科学相关的问题 值得注意的是，Falcon 40B作为Falcon 7B的更大版本，在Hugging Face的Open LLM排行榜中名列前茅，是最顶尖的大型语言模型之一。 实现架构如下。 其友好的Python设置增强了对我们项目的吸引力，简化了与我们工作流程的集成。更多参见Chroma DB 文档。 下面，我们使用Falcon-7b-instruct LLM来生成封闭式信息查询的应答(无需额外的上下文)，并展示知识库的重要性。
89310编辑于 2024-03-16 - 来自专栏MiningAlgorithms
机器学习7：集成学习--XGBoost
7. xgboost工具支持并行。boosting不是一种串行的结构吗?怎么并行的？ 对于最终的输出结果而言，随机森林采用多数投票等；而GBDT则是将所有结果累加起来，或者加权累加起来 4、随机森林对异常值不敏感，GBDT对异常值非常敏感 5、随机森林对训练集一视同仁，GBDT是基于权值的弱分类器的集成 划分训练集、测试集 myDatas.data,myDatas.target, #load_iris的原始数据集 test_size = 0.3, random_state = 7 ] #这次使用交叉验证（交替充份使用有限数据）划分数据集 #实例化交叉验证类 kfold = StratifiedKFold(n_splits=2,shuffle=True,random_state=7) #此处只调了一个参数举例，其它参数必要时也要调 ''' # 5，XGBoost的核心思想 # 下面通过每一步的test预测值，看是否XGBoost每加一棵树都会让集成学习效果优化提升(这是XGBoost
2.1K20发布于 2019-08-08 - 来自专栏AI SPPECH
32_语音到文本：Whisper与LLM集成_深度解析
这表明Whisper技术还在持续演进，为与LLM的更深度集成奠定了基础。 第2章：LLM技术基础与语音理解能力 2.1 大语言模型的语音理解基础 大语言模型（LLM）在语音理解领域展现出了巨大潜力。 第3章：Whisper与LLM集成的技术架构 3.1 集成架构设计原则 Whisper与LLM的集成需要遵循一系列关键设计原则，以确保系统的稳定性、性能和用户体验： 模块化设计：将音频处理、语音识别、 第5章：2025年Whisper与LLM集成的最新进展 5.1 WhisperLiveKit：全栈语音处理解决方案 2025年最引人注目的Whisper与LLM集成项目之一是WhisperLiveKit 第6章：Whisper与LLM集成的应用场景 6.1 语音购物助手 在电子商务领域，Whisper与LLM的集成催生了新一代语音购物体验： 全流程语音交互：实现从"语音搜索-商品推荐-下单支付"的全流程语音购物体验 第7章：Whisper与LLM集成的实现实践 7.1 本地部署方案 对于注重数据隐私和实时性的应用场景，本地部署是一个理想选择： 硬件要求与优化： 消费级GPU（如NVIDIA RTX系列）可以运行基础版本的
1K10编辑于 2025-11-13 - 来自专栏DeepHub IMBA
LLM-Blender：大语言模型也可以进行集成学习
最近在看arxiv的时候发现了一个有意思的框架：LLM-Blender，它可以使用Ensemble 的方法来对大语言模型进行集成。 官方介绍如下：LLM-Blender是一个集成框架，可以通过利用多个开源大型语言模型(llm)的不同优势来获得始终如一的卓越性能。 LLM集成 我们都知道集成学习是一种机器学习方法，旨在提高预测模型的性能和鲁棒性。它通过将多个不同的学习器（如决策树、神经网络等）结合成一个整体，来取得比单个学习器更好的预测效果。 可以集成LLM的输出(基于输入、任务和领域)，以便在不同的示例中提供一致的卓越性能。结合他们独特的贡献;可以减轻个别LLM的偏差、误差和不确定性，从而使产出与人类偏好保持一致。 基准测试 论文介绍了一个名为mixdirective的新数据集，用于对llm在指令跟随任务中的集成模型进行基准测试。
64330编辑于 2023-08-30 - 来自专栏Michael阿明学习之路
7. 集成学习和随机森林
极端随机树 Extra-Trees 7. 特征重要程度 8. 中文翻译参考 《统计学习方法》提升方法（Boosting）笔记 集成学习：集体的智慧大于个人 1. 投票分类 使用不同的算法得到不同的分类器 ? 采用集成方法的决策树分类效果更好 3. 不找最佳的特征阈值，它使用随机阈值使树更加随机 所以，它训练起来比随机森林更快 ExtraTreesClassifier ExtraTreesRegressor 到底是 随机森林好，还是极端随机树好，交叉验证比较 7. 下图展示了，两个在低学习率上训练的 GBRT 集成：左面是一个没有足够树去拟合训练集的树，右面是有过多的树过拟合训练集的树 ?
59830发布于 2021-02-19 - 来自专栏从零学习云计算
openshiftorigin学习记录（7）——集成Jenkins服务
Openshift项目提供了集成Openshift插件的Jenkins容器镜像和部署模板。
1.9K00发布于 2017-12-28 - 来自专栏JackieZheng
Spring Boot系列——7步集成RabbitMQ
今天这篇，我们来看看Spring Boot是如何集成RabbitMQ，发送消息和消费消息的。同时我们介绍下死信队列。 集成RabbitMQ 集成RabbitMQ只需要如下几步即可 1、添加maven依赖 <! RabbitHandler public void processMessage2(byte[] message) { System.out.println(new String(message)); } } 7、
1.1K30发布于 2018-11-20 - 来自专栏菩提树下的杨过
spring-boot 速成(7) 集成dubbo
github上有一个开源项目spring-boot-starter-dubbo 提供了spring-boot与dubbo的集成功能，直接拿来用即可。（记得给作者点赞，以示感谢！） ext { 4 springBootVersion = '1.5.3.RELEASE' 5 } 6 repositories { 7 * Created by 菩提树下的杨过(http:/yjmyzz.cnblogs.com) on 2017/5/21. 5 */ 6 public interface DemoService { 7 com.cnblogs.yjmyzz.service.api.DemoService; 5 import org.slf4j.Logger; 6 import org.slf4j.LoggerFactory; 7 com.cnblogs.yjmyzz.service.api.DemoService; 5 import org.springframework.stereotype.Component; 6 7
1.7K60发布于 2018-01-18 可定制NLP工具包spaCy与LLM集成技术解析
]}}, {"LOWER": "received"}, {"POS": "NOUN"}]matcher.add("TreatmentGroup", [pattern])大语言模型集成方案多后端支持 TrialSummaryTask:def parse_responses(self, docs, responses): for doc, response in zip(docs, responses): # 将LLM 自由文本输出转换为结构化实体 matcher.add("Patient\_Group", patterns) doc.ents = filter\_spans(matches)生产部署策略混合架构设计：LLM 快 | 高 || 监督学习模型 | 高 | 中 | 中 || 大语言模型 | 极高 | 慢 | 低 |进阶应用场景LLM
21310编辑于 2025-08-11在Mac上微调LLM：DagsHub与Apple MLX-LM集成
TL;DRDagsHub现已完全支持基于MLX-LM的Apple Silicon LLM微调工作流。在MacBook上本地训练模型、追踪实验、对数据集进行版本控制并部署——全部集成在一个无缝的体验中。 本地LLM开发在Apple Silicon上的兴起Apple的MLX框架开启了Mac上机器学习的新纪元。 我们激动地宣布DagsHub与Apple MLX-LM完成全面集成，将企业级MLOps带到本地Apple Silicon LLM开发中。什么是DagsHub？ 完整工作流图DagsHub与MLX-LM集成的工作流程示意图（原始文章包含图示）。 加入社区：Discord获取问题和反馈Apple Silicon使本地LLM开发走向大众。
18100编辑于 2026-05-14- 来自专栏云云众生s
7种LLM风险和API管理策略，确保数据安全
译自 7 LLM Risks and API Management Strategies to Keep Data Safe，作者 Ash Osborne。 另一种选择是使用自训练的 LLM 或第三方服务来检查 LLM 请求和响应的内容安全。 2. 开发人员可以实施的一种技术是使用专门训练的 LLM 服务来识别并删除或混淆敏感数据。这也可以用于非 LLM 基于的用例。此外，可以指示 LLM 不返回某些类型的数据，限制它们将如何响应。 5. 7. 过度依赖 过度依赖是另一个与授予使用 LLM 的用户或系统自主权有关的担忧。如果没有监督，由于模型生成的内容，可能会出现错误信息、误传甚至法律/安全问题。 所有这些都可以通过具有专门集成以管理 AI API 流量细微差别的 AI 网关来实现。
67310编辑于 2024-07-26 - 来自专栏kl的专栏
Quarkus集成open api使用swagger ui(7)
前言 Quarkus中对swagger ui也有支持，但是和spring 中直接集成swagger ui功能不同，Quarkus中使用open api规范得到接口的json数据，然后使用swagger 前面已经说过，Quarkus集成了open api导出接口数据使用swagger ui展示的，所有集成起来非常简单，下面看下如何使用open api的java规范注解详细的描述接口信息 应用基础信息定义 /** * @author kl : http://kailing.pub * @version 1.0 * @date 2020/7/14 11:29 */ @OpenAPIDefinition SwaggerDefinition注解 效果如下： 接口信息定义 /** * @author kl : http://kailing.pub * @version 1.0 * @date 2020/7/ "hello"; } } 效果如下： 传输实体定义 /** * @author kl : http://kailing.pub * @version 1.0 * @date 2020/7/
1.4K40编辑于 2023-11-18 - 来自专栏Lcry个人博客
Springboot 集成 Activiti7 常见问题
目前主流的工作流框架： Activiti、Flowable、FixFlow、Camunda 毕设打算基于最新版本Activiti7工作流 + Springboot做一个项目，遇到一些常见问题记录一下： 1、Springboot集成Activiti7后数据库只生成了17张表、没有历史表。 解决方案：因为Springboot集成Activiti7默认没有开启历史表的生成。
1.2K10编辑于 2022-11-29 - 来自专栏AI工程落地
TensorRT LLM vs OpenPPL LLM
支持模型和功能对比PPL LLM只支持baichuan、chatglm、llama三个模型，Tensor-LLM支持几乎所有大模型。 TensorRT-LLM使用起来更方便模型量化TensorRT-LLM是离线量化，支持更多的量化方法，smooth quant、weight only、AWQ等PPL LLM是实时量化（i8i8），支持整个网络一起量化 模型DeployTensorRT-LLM量化结束，不需要deploy中间模型，直接进入编译器。部分模型可以支持onnx可视化PPL LLM不需要deploy以及编译，直接用onnx调算子。 /docs/llama_guide.md at master · openppl-public/ppl.llm.serving (github.com)TensorRT LLM原模型-->量化-->编译 两个框架都是tensor并行框架依赖Tensor-LLM需要依赖tensorrt，但主要是一些单算子（卷积、激活函数、gemm等），融合算子都是Tensor-LLM自带的。PPL LLM没有依赖
1.2K30编辑于 2023-11-21 - 来自专栏全栈程序员必看
activiti7实战教程（一）集成用户系统
main(String[] args) { SpringApplication.run(ActivitidemoApplication.class, args); } } 集成四个类分别如下 org.activiti.engine.impl.identity.Authentication.setAuthenticatedUserId(username); } } 这四个类中会出现很多报错，先不管它，往后继续集成下去 集成Mybatis-plus <! argumentResolvers.add(new RequestUserHandlerMethodArgumentResolver(securityUtil)); } } 忽略上面报错，因为还没有集成 集成JWT <!
2.2K10编辑于 2022-09-13 - 来自专栏pandacode_cn
搭建单体SpringBoot项目 集成Activiti7 进阶
一个流程实例包括了所有的运行节点。我们可以利用这个对象来了解当前流程实例的进度等信息。
1.2K11编辑于 2023-07-17 - 来自专栏pandacode_cn
搭建单体SpringBoot项目 集成Activiti7 整合
二、Activiti7与SpringBoot整合开发 Activiti7发布正式版之后，它与SpringBoot2.x已经完全支持整合开发。 2.1 SpringBoot整合Activiti7的配置 为了能够实现SpringBoot与Activiti7整合开发，首先我们要引入相关的依赖支持。 2.2 SpringBoot的application.yml文件配置 为了能够实现Activiti7生成的表放到Mysql数据库中，需要在配置文件application.yml中添加相关的配置 注意 ：activiti7默认没有开启数据库历史记录，需要手动配置开启 spring: datasource: url: jdbc:mysql:///activiti? SpringBoot整合后，默认情况下，集成了SpringSecurity安全框架，这样我们就要去准备SpringSecurity整合进来的相关用户权限配置信息。
1.4K21编辑于 2023-07-07
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号