登录
注册
首页
AI 大模型体验中心
动手实验室
Agent 评测集
AI 案例广场
火山杯大赛
学习中心
社区
去发布
首页
AI 大模型体验中心
动手实验室
Agent 评测集
AI 案例广场
学习中心
社区
aqi00
文章
专栏
问答
aqi00
AI编程让鸿蒙开发电子书APP更加快捷
移动开发
Android
移动开发
虽然图片、音频、视频等多媒体文件拥有众多格式,但开发它们的APP应用并不难,因为常见的多媒体格式都被纳入系统底层支持,开发者只要使用原生组件即可加载多媒体文件,比如鸿蒙系统加载图片的Image组件,加载视频的Video组件,以及播放音频的MediaPlayer组件等。然而文档不同于这些多媒体格式,文档的格式不仅多,而且复杂,有的甚至闭源,这让电子书APP的开发者倍感头疼。即使鸿蒙系统已经原生支持
58
1
0
0
aqi00
鸿蒙版本的电子书阅读APP开放源码啦
移动开发
Android
APP
书籍是人类进步的阶梯,在手机上阅读电子书,既可以学习又可以娱乐。早在2022年出版的《Android Studio开发实战:从零基础到App上线(第3版)》中,笔者就基于Android实现了一个具备翻页浏览功能的电子书APP,不仅支持常见的PDF格式,还支持开放标准EPUB格式,还支持古籍数字化的DJVU格式,可谓小巧的电子书架。《鸿蒙HarmonyOS 6应用开发:从零基础到App上线》一书作
54
1
0
0
aqi00
一文读懂 HarmonyOS 7.0 带来的十大API重要升级
移动开发
移动开发
Android
HarmonyOS 7.0 已于 2026 年 9 月 7 日正式发布,该版本在 HarmonyOS 6.1 基础上增强了若干特性,让鸿蒙系统变得更智能更好用,下面结合《鸿蒙HarmonyOS 6应用开发:从零基础到App上线》一书对 HarmonyOS 7.0 新特性中的常用部分逐一讲解。新增ArkUI组件级沉浸光感,提供的一套高品质视觉与动效体系,通过沉浸式系统新材质效果与空间动效的结合,为
111
0
0
0
aqi00
鸿蒙版本的JSBridge兼容与安卓配套的H5啦
移动开发
Android
APP
HTML5
现在主流的手机操作系统有Android、iOS和HarmonyOS(鸿蒙系统),为了减少同时维护三种客户端的工作量,一般采用APP内嵌H5页面的形式。由于H5不能直接调用客户端的原生能力,比如相机、麦克风,以及读取设备信息,因此需要在APP与H5之间搭建一种双向通信的桥梁机制。JSBridge(JavaScript Bridge)就是这种H5混合App的双向通信桥梁,它通过定义JS接口与Nati
71
0
0
0
aqi00
15天学会AI应用开发(二十)使用LangChain实现RAG检索功能
AI
Python
人工智能
大模型
之前的文章《15天学会AI应用开发(十三)上下文与RAG的阶段性总结》概述了检索RAG知识库的主要步骤,现在采用LangChain将其改造为更智能的本地RAG系统。接下来基于LangChain框架与Chroma向量数据库,结合离线的文本嵌入模型和大语言模型,从零开始搭建本地的RAG检索系统。首先下载离线的大语言模型,比如在命令行窗口执行下面命令,即可下载国产大模型qwen2:1.5b:接着下载构
103
0
0
0
aqi00
15天学会AI应用开发(十九)使用LangGraph实现持久记忆功能
AI
Python
人工智能
大模型
上一篇文章介绍了如何使用InMemoryStore实现用户偏好的精确记忆功能,但记忆只保留在内存中,一旦AI应用重启,就会丢失上次在内存中的记忆数据。为了让AI应用持久记忆业务数据,就得引入文件或者数据库等存储介质,比如Python自带的轻量级数据库SQLite。接下来就介绍如何结合LangGraph与SQLite实现业务数据的持久记忆功能。安装Python时已经自带了SQLite包,在代码开头
42
0
0
0
aqi00
鸿蒙版本的小小机器人APP开放源码啦
移动开发
Android
APP
时下各种AI聊天应用争奇斗艳,一个比一个智能,一个比一个贴心。早在2022年出版的《Android Studio开发实战:从零基础到App上线(第3版)》中,笔者就基于Android实现了一个具备初级智能的小小机器人APP,不仅支持简单的问答,还支持问询天气预报,还支持加减乘除四则运算,还支持背诵唐诗宋词名篇佳句,可谓小朋友的贴心玩伴。《鸿蒙HarmonyOS 6应用开发:从零基础到App上线》一
64
0
0
0
aqi00
15天学会AI应用开发(十八)使用LangGraph实现精确记忆功能
AI
Python
人工智能
大模型
上一篇文章介绍了如何使用LangGraph实现会话记忆功能,可是历史会话又多又杂,难以全部记忆,开发者更希望AI应用记住关键信息,比如用户喜欢什么、爱好什么等等。对于AI应用的精确记忆需求,LangChain支持在调用create_agent时输入store参数,以指定数据存储方式,接下来介绍如何通过store参数存取用户的偏好信息。上一篇文章调用create_agent时,仅用到了少数几个参数
40
0
0
0
aqi00
15天学会AI应用开发(十七)使用LangGraph实现会话记忆功能
AI
人工智能
大模型
Python
上一篇文章采用langchain_community包协助LangChain实现了对话记忆功能,但langchain_community属于早期链式架构的临时补丁,仅适配简单线性对话。LangChain官方推荐使用LangGraph实现复杂的会话记忆功能,LangGraph是从底层统一管理全流程状态、支持长短双记忆、原生持久化、适配复杂Agent的标准化记忆架构,常作为生产环境的首选方案。接下来
59
0
0
0
aqi00
15天学会AI应用开发(十六)LangChain实现对话记忆功能
AI
Python
人工智能
大模型
模型本身是无状态的,也就是不具备记忆功能,单次对话无法留存上下文信息,多轮交互中会遗忘历史对话内容。用户之所以感觉AI工具拥有记忆,是因为AI工具给大模型封装了一层记忆。LangChain作为主流的大模型应用开发框架,内置完善的记忆模块(Memory模块),能够高效管理对话历史记录,让AI实现逻辑连贯的多轮对话,接下来就介绍如何使用LangChain实现对话记忆功能。LangChain实现对话记
60
0
0
0
aqi00
15天学会AI应用开发(十五)使用LangChain封装AI执行链
AI
Python
人工智能
大模型
上一篇文章末尾给出了LangChain的简单调用例子,当然LangChain还支持更丰富的功能设置,接下来就介绍如何使用LangChain封装AI执行链,以实现更复杂的功能调用。在构造大模型实例之前,要先添加下面的导包语句,表示引入LangChain的大模型工具OllamaLLM:在OllamaLLM的构造方法中,model参数是必填的,要指定当前引用的大模型名称,如下:除了model参数以外,
95
0
0
0
aqi00
15天学会AI应用开发(十四)搭建LangChain的开发环境
AI
Python
人工智能
大模型
LangChain 是一套大语言模型 (LLM) 应用开发框架,主打链式编排、任务流程组装,可快速搭建智能对话机器人、智能助手、自动化流程、知识库问答、Agent 智能体。LangChain 支持对接各类在线大模型,包括OpenAI、文心、通义、讯飞等,也支持加载电脑本地的离线大模型。为避免在线大模型带来的大量Token消耗,接下来以离线大模型为例介绍如何搭建LangChain的开发环境。AI应
167
0
0
0
aqi00
15天学会AI应用开发(十三)上下文与RAG的阶段性总结
AI
Python
人工智能
大模型
之前的系列文章主要讲解上下文(提示词)和RAG(知识库),为了方便大家归纳,这里把前面的几个重要内容重新梳理总结。正所谓磨刀不误砍柴工,要想后续顺利进行AI应用编程,务必正确搭建电脑的Python开发环境,这样可以避免代码编译时出现奇奇怪怪的错误,才能心无旁骛地钻研AI应用技能。首先是安装哪个Python版本。AI开发环境的Python版本推荐Python 3.10.x,该版本兼容所有 AI 库
58
0
0
0
aqi00
15天学会AI应用开发(十二)从PDF、WORD、网页构建RAG
AI
Python
人工智能
大模型
上一篇文章介绍了如何从TXT文件读取文本信息,可是日常办公很少使用纯文本的TXT格式,而采用专业的PDF格式或者WORD格式,有时还需要通过网页抓取知识。接下来就介绍如何从PDF、WORD、HTML等文件中读取文本内容。PDF是一种常用的文档格式,常用于只读的通知文件,或者电子版书籍。Python提供了多种三方库用来解析PDF文件,其中pdfplumber较常用。使用Python代码读取PDF文
9
0
0
0
aqi00
15天学会AI应用开发(十一)从TXT文件构建RAG知识库
AI
Python
人工智能
大模型
前面的文章在构建RAG并检索时,既使用了国外大模型,也使用了国内大模型;既运用了内存向量检索库FAISS,也运用了磁盘向量数据库Chroma。但知识库的原始来源却是knowledge数组,这与现实场合有所出入,因为实际资料都保存在TXT、PDF、WORD等格式的文档中,甚至来自互联网上的HTML网页,于是RAG的前置条件就成了如何从这些文档中提取文本信息。TXT文件是最简单的文本格式,读写TXT无
89
0
0
0
aqi00
15天学会AI应用开发(十)把文本嵌入模型换成国产模型
AI
人工智能
大模型
Python
前面两篇文章在演示RAG功能时,做向量化的文本嵌入模型都用国外的all-MiniLM-L6-v2,该模型主要适用英文,对于中文总体也能用,但在细节上处理欠佳。本文就来介绍如何使用国产离线的文本嵌入模型替换国外模型,以及如何体现国产模型的比较优势。虽然all-MiniLM-L6-v2的优点很多,比如下列几点:1、体积极小:几十 MB,随便本地离线下载2、速度超快:CPU 就能跑,不用显卡3、通用好用
68
0
0
0
aqi00
15天学会AI应用开发(九)利用Chroma持久化向量数据
AI
Python
人工智能
大模型
上一篇文章通过all-MiniLM-L6-v2模型结合FAISS实现了简单的RAG检索功能,但FAISS运行于内存中,无法持久化保存向量数据,重启后又得重新对文本做向量化,比较浪费算力资源。本文就来介绍如何使用向量数据库来持久保存向量数据。Chroma是一个本地向量数据库,专门用来保存 RAG 知识库,并且快速检索相关内容。Chroma与FAISS之间的区别如下:1、只做检索,不做保存;Chro
102
0
0
0
aqi00
15天学会AI应用开发(八)使用向量数据库实现RAG功能
AI
人工智能
Python
大模型
上一篇文章采用字符串匹配的方式来查找知识,这种方式比较呆板不够智能,接下来引入向量数据库,通过向量化实现更精细的知识检索。向量化一段文本的时候,经常用到all-MiniLM-L6-v2,它是一个轻量级的文本嵌入Embedding模型,专门把文字转成数字向量,给RAG做语义检索用。命令行通过cd命令进入Python工程的所在目录,再执行下面的模型下载命令,可将all-MiniLM-L6-v2保存到本
64
0
0
0
aqi00
15天学会AI应用开发(七)有了大模型为什么还要引入RAG
AI
Python
人工智能
大模型
前面的文章依次介绍了如何截断历史会话的对话记录,包括按照记录数量截断、按照Token长度截断,以及浓缩为摘要截断等等,其中摘要操作又分为三大类:1、使用第三方的摘要库对文本摘要;2、使用在线大模型对文本摘要;3、使用离线大模型对文本摘要;以上对会话记录的各种处理操作,统称为AI应用的上下文管理,即让AI理解用户之前的意图。接下来将开启有关RAG部分的AI应用开发教程介绍。RAG的全称是Retri
37
0
0
0
aqi00
15天学会AI应用开发(六)使用离线大模型对文本生成摘要
AI
Python
大模型
人工智能
上一篇文章末尾使用了在线大模型压缩文本生成摘要,但该方式会消耗Token,不便初学者长期使用,更好的办法是采用离线大模型来生成文本摘要。国内常用的离线大模型有阿里Qwen、智谱GLM、深度求索DeepSeek、百度文心等等,以千问的文本大模型为例,又有Qwen1.5-1.8B-Chat和Qwen1.5-0.5B-Chat两种。Qwen1.5是一系列不同大小的解码器语言模型,包括基础语言模型及其对
111
0
0
0