想要在本地搭建 RAG 知识库，Milvus 向量数据库是热门选择。很多 Windows 用户部署第一步就踩坑：Docker 默认安装到 C 盘、镜像拉取缓慢、命令执行报错。本文完整讲解 Docker Desktop 自定义盘符安装、国内镜像源配置、WSL 环境更新，通过一键脚本快速启动独立版 Milvus，适合大模型开发、LangChain 本地调试使用。直接双击安装程序，Docker 会默认安

提示词（Prompt）是调控大模型输出效果最直接的手段。原生字符串拼接难以维护、不利于项目迭代，LangChain 提供一套标准化提示模板组件实现提示词工程化管理。本文基于 LangChain1.0，详解PromptTemplate、ChatPromptTemplate核心差异与用法，深入讲解MessagesPlaceholder实现多轮对话上下文，附带商品文案、学习计划、智能客服三大可直接运行业

调用大模型默认返回自由自然语言文本，难以直接被程序处理。本文围绕 LangChain Output Parser 体系，讲解StrOutputParser、PydanticOutputParser、with_structured_output三种输出方案，结合文本总结、简历信息抽取、评论情感分析、工单分类四大实战案例，演示如何约束大模型输出结构化数据，打通大模型与业务代码。同时介绍结构化解析失败的

当对话很长，调用LLM对旧对话生成摘要，摘要存入State；后续请求使用摘要+最新N轮消息组装prompt。注意：订单号、金额、权限这类关键业务数据，不要只依赖自然语言摘要，优先存入结构化State或者Store。短期记忆Checkpointer：绑定thread_id，负责单一会话状态持久化；做本地测试，调试查看会话快照。长期记忆Store：解决跨会话记忆；使用namespace(元组)+key

学习 LangGraph 之前，先要理解一个问题：已经有 LangChain、工具调用、RAG，为什么还需要 LangGraph？答案很简单：真实生产环境的 Agent，不只是 “让大模型调用几个工具”。它是一套需要状态、流程、记忆、故障恢复、人工介入、可观测性的复杂系统。LangGraph 诞生的背景，就是 LLM 应用从玩具 Demo，落地为企业生产系统。

SQLAlchemy /ˈælkəmi/（艾尔克米，炼金术），是Python最强大、最流行的ORM（对象关系映射）框架。将Python对象与数据库数据表做映射，开发者只需操作Python对象，无需手写原生SQL（兼容混合使用），自动转换为数据库语句，极大提升开发效率与代码可维护性。新建，定义用户表模型，包含常用字段与约束# 用户表模型# 指定数据库表名# 主键ID：自增、非空、主键。

OpenAI 兼容 API 是目前大模型行业统一的事实标准。简单理解：DeepSeek、硅基流动、CloseAI 等绝大多数大模型平台，全部复刻了 OpenAI 的请求格式、鉴权方式、参数结构、返回结构。核心价值一句话一套代码，不改逻辑，只换三个参数，通吃所有大模型。这也是 LangChain 可以无缝对接国产模型、海外代理模型的核心底层支撑。1、LangChain 1.0 开发优先选用 Pyth

调用大模型默认返回自由自然语言文本，难以直接被程序处理。本文围绕 LangChain Output Parser 体系，讲解StrOutputParser、PydanticOutputParser、with_structured_output三种输出方案，结合文本总结、简历信息抽取、评论情感分析、工单分类四大实战案例，演示如何约束大模型输出结构化数据，打通大模型与业务代码。同时介绍结构化解析失败的

提示词（Prompt）是调控大模型输出效果最直接的手段。原生字符串拼接难以维护、不利于项目迭代，LangChain 提供一套标准化提示模板组件实现提示词工程化管理。本文基于 LangChain1.0，详解PromptTemplate、ChatPromptTemplate核心差异与用法，深入讲解MessagesPlaceholder实现多轮对话上下文，附带商品文案、学习计划、智能客服三大可直接运行业