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。

前言

我们在上一篇文章中完成了ChatOpenAI实例的使用，接下来，我们将这个内容放入streamlit中，这样就可以实现一个简单的小产品了。

P.S.：本篇虽然包含实现过程，但是代码存在巨大缺陷，将在下一篇文章中修复。所以请不要太在意本文代码，请期待下一篇的正确代码。

前言

在上一篇文章中，我们完成了ChatOpenAI的实例化。接下来也就自然而然是使用它了。

前言

在前面的文章中，我们尝试了结构和客户端的构建，接下来我们就开始新的尝试：创建ChatOpenAI实例。

前言

在上一篇文章中，我们建立了这样一个基本的结构，所以我们下一步就是开始做最基础的部分。

前言

function call是大模型工程化的一个重要部分。通过function call，我们可以将模型与数据进行交互，从而实现模型的功能化。我们以一个文件的解析为例，探讨文件解析应该怎么触发。

前言

首先声明，这是个整活。

想起来一个常见的题目：在一个数组中找到三个和为$x$的组合，并且去重。相信在座的各位大佬都已经不屑一顾了。最经典的三指针做法，核心就是先排序，然后暂时固定一个数字，剩下的两个数字用双指针从两边往中间缩，整体就是一个$O(n^2)$。

很多面试官当然也就摒弃那种暴力搜索方案，因为三个确实就是$O(n^3)$，时间消耗非常让人绝望。但是，暴力的代价真的很大嘛？

所谓力大砖飞，自然也就是矩阵运算了。

前言

在上一篇文章中，我们探讨了自相关性的影响。这次我们在尝试一下，在拟合曲线之前，自相关性有没有什么检测方法。