加速你的大模型速度 今天使用大模型分析RAG（Retrieval-Augmented Generation）对话质量，需要批量处理多个不同的输入参数。为了加快整体运行速度，打算计划并发执行这些任务。根据函数特性（I/O密集型或CPU密集型），选择多线程或多进程的方式进行并行处理。顺便整理了下加速 python 执行的所 2025-10-20 1 0 python 加速 RAG 总结
LangChain之特征 1. 获取 Embedding from langchain.embeddings import HuggingFaceEmbeddings from transformers import AutoTokenizer, AutoModel import torch model_name = "s 2025-10-16 2 0 RAG LangChain
LangChain之案例分析 1. 执行多个chain from langchain.llms import OpenAI from langchain.chains import LLMChain from langchain.prompts import PromptTemplate from langchain.chain 2025-10-16 1 0 RAG LangChain
LangChain之文档分割 1. RecursiveCharacterTextSplitter： 功能：递归地根据提供的分隔符列表分割文本，直到每个块的大小不超过指定的chunk_size。 from langchain_text_splitters import RecursiveCharacterTextSplitter 2025-10-16 4 0 RAG LangChain
LangChain之文档jia za加载 1. DirectoryLoader：用于从目录中加载所有文档。 from langchain_community.document_loaders import DirectoryLoader loader = DirectoryLoader('../', glob="**/*.md") docs 2025-10-16 2 0 LangChain RAG
.jpg)