# learn-ai-doc

**Repository Path**: wanggang826/learn-ai-doc

## Basic Information

- **Project Name**: learn-ai-doc
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-08-28
- **Last Updated**: 2025-10-10

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# learn-ai-doc
### python ollama LLM LangChain LlamaIndex Ai AgentRAG prompt mcpserver FastAPI 向量数据库 Weaviate Milvus Es
#### ai编辑器学习90% 工作中用起来
#### python语法 70%
#### ollama  一个本地运行管理大模型的工具 60%
##### 安装ollama
1.  下载ollama [ollama.com](https://ollama.com)
2.  安装ollama
    1.  windows 直接双击安装
    2.  macos 打开终端运行 `brew install ollama`
    3.  linux 打开终端运行 `curl -fsSL https://ollama.com/install.sh | sh`
3.  启动ollama 服务 `ollama serve`
4.  验证ollama 服务是否启动 `ollama list`

##### 
#### LLM 大语言模型 也叫大型语言模型，是一种人工智能模型，旨在理解和生成人类语言
#### Transformer
#### Embedding 嵌入模型,向量化 是一种将文本数据转换为数值向量的技术，用于捕捉文本的语义信息，以便进行文本相似度计算、信息检索和文本分类等任务。
#### LangChain  全能型 LLM 应用开发管家
#### LlamaIndex LLM 的数据框架
1. 无缝连接 LLM 与各类外部或私有数据源，高效地连接、处理和检索数据，为 LLM 提供高质量的上下文信息，特别适合需要高效处理和查询大量文本数据的场景。
#### Ai Agent
#### RAG RAG就是通过检索获取相关的知识并将其融入Prompt，让大模型能够参考相应的知识从而给出合理回答。因此，可以将RAG的核心理解为“检索+生成”，前者主要是利用向量数据库的高效存储和检索能力，召回目标知识；后者则是利用大模型和Prompt工程，将召回的知识合理利用，生成目标答案
##### 结合ai在做项目进一步加深理解和实践
1. 数据准备阶段：数据提取——>文本分割——>向量化（embedding）——>数据入库
2. 应用阶段：用户提问——>数据检索（召回）——>注入Prompt——>LLM生成答案
#### prompt 提示工程

#### mcpserver
#### FastAPI
#### 向量数据库
#### Weaviate
#### Milvus
#### Es