在前端开发中，经常会有大批量文件上传的需求。在面对“数千张高清图片批量上传”的需求时，传统的前端上传方案往往会出现各种各样的问题：

• 一次性全部上传：极易触发服务器 413 Payload Too Large 报错，且巨大的 HTTP 包体容易导致连接超时。
• 暴力循环：瞬间发起数千个 HTTP 请求，不仅会挤爆浏览器的并发限制，导致大量请求排队挂起，还可能瞬间压垮后端服务。

针对这些问题，就需要前端分批上传，下面介绍一下一种支持分组、控制并发、且具备自动重试机制的大批量文件上传策略

1. 核心设计思路

• 分批： 将 大批量文件切分成若干个小批次（比如每批 50-100 个），

1.LangChain 是什么

LangChain 是 LLM 应用开发领域最早期、最广泛使用的框架之一，定位为通用 LLM 应用框架。它提供了丰富的组件来简化与大语言模型的交互：

• Prompt 管理：模板化提示词构建与复用
• Chain（链）：将多个步骤（LLM 调用、工具调用、记忆等）串联成管道
• Agent 抽象：让 LLM 决定是否调用工具
• Tool（工具）：标准化的外部能力扩展接口
• Memory（记忆）：对话历史的存储与检索
• RAG 支持：检索增强生成的完整实现

1 理论体系背景

1.1 问题域

问题：有了LLMs，为什么需要开发大模型应用？

在大语言模型（LLM）如 ChatGPT、Claude、DeepSeek 等快速发展的今天，开发者不仅希望能“使用”这些模型，还希望能将它们灵活集成到自己的应用中，实现更强大的对话能力、检索增强生成 （RAG）、工具调用（Tool Calling）、多轮推理等功能。

最近在训练一个图像篡改检测网络时，为了提升模型的鲁棒性，我对数据集进行了随机 JPEG 压缩作为预处理手段。本以为这只是一个常规的数据增强操作，没想到却引发了一场艰难的 Debug 之旅——模型训练过程中 Loss 突然变成了 NaN。

经过一系列常规排查无果后，最终锁定了混合精度训练与数据分布之间的问题。在此记录下排查思路和解决方法。

训练设置：我使用MMSeg框架的自动混合精度AmpOptimWrapper。

1.代理模式：

代理模式通过引入一个代理对象来控制对原对象的访问。代理对象在客户端和目标对象之间充当中介，负责将客户端的请求转发给目标对象，同时可以在转发请求前后进行额外的处理。

使用场景：

• 当需要在访问一个对象时进行一些控制或额外处理时。