本文是「AI 大模型工程知识体系」系列的第 06 篇。在前五篇中，我们分别拆解了大模型原理、RAG 检索增强、工具调用机制和 LangChain 框架。
本篇为 AI 知识系列第 04 篇。素材整合自 LangChain 官方文档、腾讯云开发者社区、MyScale 技术博客、LangGraph 深度教程（2026 版）以及 Claude…
本文是「AI 知识体系深度解析」系列的第三篇。LLM 的工具调用能力是 Agent 系统的地基：没有它，模型只是一个会聊天的文字盒子。
本文是「AI 大模型工程知识体系」系列的第 02 篇。
本文是"AI 知识体系"系列的开篇，系统梳理大语言模型从底层原理到工程落地的完整知识链路。定位是：让初学者理解 LLM 的本质，让有经验者加深对底层原理的理解。
本文是「AI知识成长体系」系列的开篇，为全系列8篇文章提供路线图与认知框架。无论你是刚接触大模型的初学者，还是已有工程经验的开发者，都可以从这篇文章找到适合自己的学习路径。
系列导读："感觉不错"不是一个好的评估标准。本章教你建立一套可复现、可量化、可迭代的评估体系。你改了一个 Prompt、换了一个模型、加了一个工具——效果到底变好了还是变差了？
系列导读：本章是 LLM 工程的核心技术之一。如果你要自建 LLM 服务或做推理调优，KV Cache 是必须理解的第一块基础。