快乐冲浪与生活

多体验、多体会、多体悟

0%

发表于： 分类于：

引言

Cypher 对于 Neo4j 就像 SQL 对于关系型数据库一样—，它是一种优雅的声明式查询语言，让你无需精确指定如何检索数据，即可描述想要从数据库中获取的内容。Cypher 的独特之处在于其基于 ASCII 艺术的可视化语法，能够模仿并匹配你图中所需的图形结构模式。

发表于： 分类于：

引言

在本教程中，将学习如何在 Cypher 查询中有效地使用逻辑运算符，并掌握在图数据库中创建、检索和修改关系的基本技能。

关系是图数据库强大之处的核心，虽然节点存储着实体，但正是它们之间的关系才真正释放了像 Neo4j 这样的图数据库的价值所在。

发表于： 分类于：

TabICL 是一款开源表格基础模型，原生支持分类与回归任务，同时可拓展应用至时间序列预测等场景。它完整兼容 scikit-learn API，使用习惯对数据从业者十分友好。不同于传统机器学习模型，TabICL 在调用 fit 时仅缓存训练数据，真正基于上下文学习的推理计算，延后至 predict 阶段执行。

发表于： 分类于：

本文是 T 系列的第 06 篇，主要比较在构建 Chatbot 中，MCP 与 LangChain 之间的区别。

T 系列为技术文章翻译系列，加以本人的一些拙见，如有雷同，实属正常，如有不同，欢迎交流。

发表于： 分类于：

本文是 T 系列的第 05 篇，主要介绍 MCP 在 CRM 系统中的 Chatbot 应用。

T 系列为技术文章翻译系列，加以本人的一些拙见，如有雷同，实属正常，如有不同，欢迎交流。

在现代客户服务中，Chatbot 已不仅仅是常见的简单问题解答工具，它还是通往企业核心系统的重要入口，尤其是客户关系管理（CRM）平台。将 Chatbot 与 CRM 系统集成后，可处理诸如“查询我的工单状态”或“更新我的电话号码”等复杂且个性化的任务。要想安全可靠地实现这一功能，则需要一种相对简单、基于结构化提示词工程的方法。模型上下文协议（MCP）通过一套工具链，将 Chatbot 连接至 CRM 系统，确保写入操作的安全性、权限范围的精细化以及工具架构的清晰性。本文将展示如何使用 MCP 构建一个安全且功能完善的客户服务 Agent。

发表于： 分类于：

本文是 T 系列的第 03 篇，主要介绍 MCP 如何实现持久化记忆。

T 系列为技术文章翻译系列，加以本人的一些拙见，如有雷同，实属正常，如有不同，欢迎交流。

尽管 LLM 在处理和生成文本方面非常强大，但它们本质上是无状态的。每次 API 调用都被视为一个全新的独立请求，无法保留之前交互的任何记忆。要使 Chatbot 或虚拟助手真正有用，它必须具备记忆能力，能够记住用户的姓名、偏好或多轮对话的上下文。传统方法试图通过将整个聊天历史打包进 LLM 的提示中来解决这一问题，但这种方法效率低、成本高且容易出错。本文探讨了一种更稳健且可扩展的解决方案：利用模型上下文协议（MCP）将记忆实现为外部、可管理的工具。这种方法使 Agent 即使保持无状态，而有状态的工具则提供持久的记忆功能。