简介

当然，大模型有很多注意力，毕竟Attention is All You Need。但是呢，自注意力，多头注意力，这些又是什么？怎么串在一起的？

前言

也许你一开始就在期待我开始讲什么self-attention。我承认，这已经算是必背科目，甚至算客观题了。

但是，从这个地方开始总归是有点追逐太阳的感觉，越追越累，还追不上。

所以，我们直接从太阳开始出发。

前言

这个库是Hexo的一个部分，所以保留了上面这些title之类的玩意儿。

剩下的就是markdown了，内容就是LLM相关的一些面试问题，以及一些好心面试官给的发展建议，算是错题本吧。

前言

在上一篇文章中，我们讨论了怎么在构建MCP。为了能够实现更复杂的功能，我们尝试将LangGraph引入到MCP中。

前言

既然MCP都已经出现了，甚至已经纳入面试题目了，就简单尝试一下这个新玩意儿。

前言

既然我们在前面的$9$篇文章中做了这么多事情，接下来就再加一点新东西：LangGraph。

P.S.：虽然说官方最新版本已经更新到了比较后面，支持Runtime的版本，但是我的项目已经有点积重难返了，所以只能使用早些时候不支持Runtime的版本了。

P.S.：代码库已经开源至GitHub

前言

好了，铺垫了这么这么久，总算来到稍微正经一点的问题上了。

P.S.：毕竟咱是演示项目，做起来就很粗暴，搜索时间也从来没有优化，所以搜索时间复杂度也是相当的绝望呢。

前言

既然我们在之前的文章中实现了调用大模型获取答案的过程，接下来我们也将多个页面整合起来，最终实现一个总览的效果。因此，本文通过每个页面维护一个历史记录字典，则可以实现跨页面记忆。

前言

在上一篇文章中，我们研究了怎么样主动把ChatOpenAI塞进去，那么接下来就是得研究怎么把ChatOpenAI被动地塞进来。

前言

在上一篇文章中，我们将ChatOpenAI强行塞入前端，实现了一个乱七八糟的前端页面。这当然不是很好的。所以，今天我们就来优雅的再塞进去一次，争取完善之前的问题。

当然，这次主要讨论的是主动方式，也就是自行实现一个Wrapper类。