ErgouTree's Blog

也是一直以来打算整理一下自己爱听的galgame ost 或者其他galgame相关的音乐，按照专辑的方式进行整理，同时我有的也会扒下来上传 就借助这个机会，好好的搞一下吧 顺序随缘 持续更新 【FLAC+MP3】AIR ORIGINAL SOUNDTRACK 神尾观铃镇楼 AIR ORIGINAL SOUNDTRACK 通过网盘分享的文件：AIR ORIGINAL SOUNDTRACK.zip 13XeUCWQxV19snaDqzz48uA?pwd=1174 提取码: 1174 解压 10086 【WAV】ゲーム「水葬銀貨のイストリア」Sound Track／ウグイスカグラ 【WAV】ゲーム「水葬銀貨のイストリア」Sound Track／ウグイスカグラ 【WAV】ゲーム「水葬銀貨のイストリア」Sound Track／ウグイスカグラ.zip 百度网盘 提取码: 1174 【FLAC】さよならアーリーサマー／やなぎなぎ、麻枝准 img 百度网盘 提取码: 1174...

链 什么是链 链的概念源于 Python 的 LangChain，在 LCEL 引入之前。链将多个底层组件结合起来，并协调它们之间的交互。 对于链，首先要了解一些内容，就是 LangChain4j 的 Chain 类是「遗留概念（legacy）」。 官方只实现了 ConversationalChain 和 ConversationalRetrievalChain 两个内容，源码注释原文写着 “Chains are not going to be developed further, it is recommended to use AiServices instead.”，并明确「暂不打算再增加」。其核心问题是太死板、难定制。AI 服务可以像普通 Java 对象一样使用，同样功能下这比设计各种 Chain 更灵活。 ConversationalChain 是最简单的聊天链。其实今天对应的就是Assistant assistant = AiServices.create(Assistant.class,...

Prompt 模板系统 回忆整理 LangChain4j 的提示词系统 通过注解使用提示词 首先，在 AI Service 中，我们通过这些注解使用提示词 @SystemMessage 定义系统提示词，对整个方法有效，支持 {{变量名}} 模板语法（模板变量必须用 @V 绑定） 由于 LLM 的自回归特性，系统提示词对后续所有 token 的生成概率均产生持续影响。 Transformer 是自回归生成，什么意思，模型生成每一个 token 时都会参考之前所有 token。所以说系统提示词会持续影响后续所有 token 的概率分布 @UserMessage 定义用户消息模板，绑定方法参数作为用户输入，对于绑定方法参数，多参数下需要@V("变量名")显示指定 用户提示词通常携带本次请求的动态变量。LangChain4j 通过 @UserMessage 注解把方法形参嵌入模板，最终生成 UserMessage 对象。与 SystemMessage 不同，UserMessage 会被追加到...

结构化输出 何为结构化输出，为什么结构化输出是必要的 在最初接触大模型时，人们通常会把 LLM 当成一个“会说话的程序”。例如： 12用户：帮我总结这篇文章AI：这篇文章主要讲了…… 这种模式本质上是“自然语言交互”。自然语言对人类极其友好，但对程序并不友好。因为程序友好的内容通常有如下特征：稳定，可预测，可解析，类型明确，字段固定，而自然语言天生是不稳定的。 例如你要求 AI 返回一个用户信息： 12姓名：张三年龄：20 下一次它可能返回： 1用户叫张三，今年20岁 再下一次： 1234{ "name":"张三", "age":20} 对于人类来说，这三种表达几乎等价。但对于程序来说，它们完全不同。因为程序无法像人类一样理解语义，程序依赖的是严格的数据结构。结构化输出的本质，是让 LLM 不再返回“人类语言”，而是返回“程序数据”。 Agent 的本质不是聊天，而是决策。而决策必须建立在结构化数据上。结构化输出是 AI 工程化的基础设施，因为它解决了...

AI 服务 何为AI服务，与LangChain4j的两个层级又有什么关系 还记得前面提到过的，LangChain4j 把整个框架分成两层，一层底层、一层高级，分工完全不同： 基础组件层：就是前面提到的，ChatModel，ChatMessage，ChatMemory等等内容，我们很容易发现它们虽然使用起来非常的灵活，几乎是想怎么拼就怎么拼，但是重复代码和样板代码是真没少写。在这个层面工作非常灵活，赋予你完全的自由，但也意味着需要编写大量的样板代码。 但是由于基于 LLM 的应用程序通常需要多个组件协同工作 （例如，提示模板、聊天记忆、LLM、输出解析器、RAG 组件：嵌入模型和存储），并且通常涉及多轮交互，因此对它们的编排变得愈加繁琐。LangChain4j 希望你能专注于业务逻辑，而不是底层实现的细节。为此，LangChain4j 目前提供了更高级的一层 编排抽象层：框架帮你把底层组件自动组装、自动管理，你不用写重复代码，只关注业务。两个核心高层工具分别是 AI Service 也就是 AI 服务 Chains 用于多步骤复杂工作流的链 而...

前期项目涉及到的内容 Spring Boot 集成 LangChain4j 提供了 Spring Boot Starter，用于： 常见的集成场景 声明式 AI Services LangChain4j 的 Spring Boot 集成要求： Java 17 Spring Boot 3.2 这些在前面提到依赖的时候都有提到过，总之，Spring Boot Starter 可以帮助你通过配置文件快速创建和配置语言模型、向量模型、向量存储，以及其他 LangChain4j 核心组件，依赖命名规范为：langchain4j-{integration-name}-spring-boot-starter。 例如，我们项目中，如果要使用 OpenAI（langchain4j-open-ai），首先要引入依赖如下： 12345<dependency> <groupId>dev.langchain4j</groupId> ...

LangChain4j 简介 介绍 LangChain4j 是一个专为 Java 开发者设计的开源框架，旨在简化大语言模型（LLM）在 Java 应用中的集成。它的目标类似于 Python 生态中的 LangChain ，但针对Java生态进行了优化，提供统一的API抽象、上下文管理（Memory）、提示模板、文档检索（RAG）等功能。 统一的 API：LLM 提供商（如 OpenAI 或 Google Vertex AI）和嵌入向量存储（如 Pinecone 或 Milvus）使用专有的 API。LangChain4j 提供统一的 API，以避免学习和实现每个 API 的特定 API 的需要。要试验不同的 LLM 或嵌入存储，您可以轻松地在它们之间切换，而无需重写代码。 全面的工具箱：自 2023 年初以来，社区一直在构建许多由 LLM...

LLM基础 之前的 LLM 基础过于浅薄，我打算在这里再重述如下三个比较重要，示例的项目中广泛涉及到的内容，进行一个相对广泛的讲解 Embedding 为什么 Embedding 是 Neo4j + AI 的核心 因为现在基本的一些功能下： RAG GraphRAG AI 知识库 Agent Memory Neo4j Vector Index Semantic Search 多模态检索 Embedding 依旧是它们的底层基础，在自然语言处理 (NLP) 任务中，LLM 本身不擅长知识检索，处理文本需要将每个单词转换成对应的数字表示。大多数 Embedding 方法都归结为将单词或标记转换为向量。各种嵌入技术之间的区别在于它们如何处理这种“单词→向量”的转换。 在 Neo4j 的实践下，Neo4j 负责知识的关系结构，Embedding 负责语义空间，两者结合，才形成现代 AI...

体验在实际项目中使用 Neo4j 搭建项目 关于如何把 Neo4j 引入到项目中并且使用是本文的重点，以前的那种思想，图数据库相关的理解什么的，就不说了 那么，如何把 Neo4j 引入到 Spring 的项目中，首先，要有对应的有必要使用的业务 而且将 Neo4j 引入 Spring Boot 项目，最标准且高效的方式是使用 Spring Data Neo4j 那么，就以我们之前经常提到的社交网络搭建这个作为基本的业务，来去实现这么一个项目，这个例子也方便我们后续去引入 AI 来学习 Neo4j 在 AI 上的应用 Spring 中操作 Neo4j，核心是： 1234567Spring Boot ↓Spring Data Neo4j（SDN） ↓Neo4j Java Driver ↓Neo4j Database 那么，基本就需要引入如下依赖就足够了 12345<!-- Spring Data Neo4j（操作Neo4j） --> <dependency> ...

正文 塑造一部令人印象深刻的 galgame，可以从音乐入手，可以从作画入手，当然，最直接的，就是从剧本入手。令人印象深刻的 galgame 在剧本上通常个人风格浓厚，今天我们主要介绍的《赫炎的印加诺克》正是如此，这部作品的剧本家正是樱井光，这位如今不少型月粉丝都很熟悉的脚本家，便是在早期就以她那极具辨识度的文笔而闻名。她是一个两极分化，剑走偏锋的浪漫剧本家，正如本作一样小众且硬核。比起如今，我始终觉得，Liar-soft 时期的樱井光，才是她个人风格最浓烈、也最锋利的时候。 她在从 Liar-soft 离职后，便深度参与了 TYPE-MOON 的 Fate 系列企划写作，对于这部作品，连把她挖来的奈须蘑菇都赞不绝口。她那华丽的文笔，激烈的情感，鲜活生动的角色形象，饱含蒸汽朋克与克苏鲁元素的宏大世界观，在本作品中都极其鲜明的得到了体现。但因其文风晦涩，在 Liar-soft...

图的思维 理解 LPG 模型 LPG是带标签属性图，也就是Labeled Property Graph，它由四个核心要素组成：节点 (Node)、关系 (Relationship)、标签 (Label) 和 属性 (Property)。 LPG 模型之所以直观，是因为它完美契合人类对现实世界的认知方式。 节点 —— 实体 定义：节点代表现实世界中的对象或实体，比如一个人、一辆车、一笔订单。 特点：节点是独立的，拥有唯一的内部 ID。 示例：:Person（一个人）、:Movie（一部电影）。 关系 —— 连接 定义：关系连接两个节点，表示它们之间的关联。 特点： 有向性：关系总是有方向的（从起始节点指向终止节点），例如 (:Person)-[:ACTED_IN]->(:Movie)。 类型化：关系必须有类型（如 ACTED_IN, FRIEND_OF），这相当于关系型数据库中的外键，但更具语义。 可携带属性：这是...

前置知识 知识图谱 认识知识图谱 知识图谱就是用「图结构」来表示世界上的事物、事物的属性、以及事物之间的关系。 简单说，知识图谱就是通过不同知识的关联性形成一个网状的知识结构，而这个知识结构，恰好就是人工智能AI的基石。当前 AI 领域热门的计算机图像、语音识别、NLP，离不开 AI 的感知能力，真正 AI 的认知能力，就要靠知识图谱。 关系型数据库中，我们都知道它使用字段和关联来表示数据，但是它并不擅长去做关系。 知识图谱，Knowledge Graphs, KG，它由三部分组成： 实体：现实中的对象 人、公司、设备、地点……….. 属性：实体的特征 年龄、身高、价格、生产日期、性别……….. 关系：实体之间的连接 朋友、出演、属于、治疗、包含、购买、位于……….. 那么，知识图谱中，一条数据的标准表示方式如下 (实体) —[关系]→ (实体) 这种关系可以被这样的理解 主语 (Subject) —[谓语 (Predicate)]—> 宾语 (Object) sample...

条件构造器 MyBatis-Plus 提供了一套强大的条件构造器（Wrapper），用于构建复杂的数据库查询条件。 Wrapper 类允许开发者以链式调用的方式构造查询条件，无需编写繁琐的 SQL 语句，从而提高开发效率并减少 SQL 注入的风险。 主要的 Wrapper 类及其功能 类名 用途 字段引用方式 核心特点 QueryWrapper 查询 (SELECT) 字符串 ("name") 灵活，但字段名写错编译不报错 UpdateWrapper 更新 (UPDATE) 字符串 ("name") 专门用于构造更新条件和 SET 值 LambdaQueryWrapper 查询 (SELECT) Lambda (User::getName) 类型安全，重构友好，防拼写错误 LambdaUpdateWrapper 更新 (UPDATE) Lambda...