在大语言模型（LLM）的应用中，纯文本生成已无法满足复杂场景需求 ——LLM 本身无法实时联网、精准计算或操作外部系统。LangChain 的工具调用能力正是为解决这一痛点而生，它让 LLM 能像人类一样「自主选择工具、传递参数、获取结果」，实现从「文本生成」到「任务执行」的跨越。本文结合实战代码、核心原理和常见问题，带你从零吃透 LangChain 工具调用的全流程。告诉 LangChain「这

【代码】头歌作业2025数据结构实验二：链表。

LangChain 支持 3 种@tool这 3 种方式的核心目标都是生成 LangChain 标准的工具对象方式 1：简单直接，依赖 docstring；方式 2：灵活强大，依赖 Pydantic BaseModel；方式 3：简洁紧凑，依赖 Annotated 类型提示。

作为 LangChain 生态的核心组件，聊天模型是连接大语言模型（LLM）与实际应用的桥梁。与传统纯文本补全模型不同，LangChain 中的聊天模型专门优化了对话交互能力，通过标准化的消息格式实现灵活调用，支持多模型切换、结构化输出、流式交互等高级功能。本文严格基于 LangChain 官方课件，结合实战代码与进阶知识点，带你从基础定义到核心能力，全面掌握聊天模型的使用方法。LLM：多数指纯文

作为 AI 技术布道师，经常被问 “大模型到底是什么？”“新手该从哪开始学？”“老手如何快速落地项目？这篇博客就像一本 “大模型实用手册”，既用大白话带新手入门，也为老手整理了核心技术和工具速查，让你既能懂原理，又能上手用。

Transformer 是大模型的 “基础架构”，就像一栋房子的钢筋骨架，决定了。它的核心优势是 “”，能同时分析文本中不同词语的关联，而不是逐字逐句处理。例如，处理 “小明告诉小红，她喜欢的花是玫瑰” 时，Transformer 能快速识别 “她” 指的是 “小红”，而不是 “小明”，这是传统模型难以高效做到的。

pi[i]：长度为 i 的前缀的最长 border 长度（最长真公共前后缀长度）。

课本中常将进程描述为 “程序的一个执行实例”，而从 Linux 内核的视角来看，进程是 “担当分配系统资源（CPU 时间、内存）的实体”。进程 = 内核数据结构（task_struct） + 自己的程序代码和数据。程序本身只是存储在磁盘上的二进制文件（如），只有当操作系统将其加载到内存并创建对应的内核管理结构后，才成为可执行的进程。独立性：每个进程拥有独立的mm_struct和页表，虚拟地址空间隔

此处提供仿函数、函数指针、lambda 表达式// 1. 函数指针删除器// 2. 仿函数删除器public:// 3. 文件句柄删除器（仿函数）public:// 仿函数作为删除器（unique_ptr模板参数指定，shared_ptr构造函数传入）// 函数指针作为删除器// lambda表达式作为删除器// 管理文件句柄});return 0;当所有外部shared_ptr（如main中的n

/ 名字// 价格// 评价{}int main(){"苹果", 2.1, 5},{"香蕉", 3.0, 4},{"橙子", 2.2, 3},{"菠萝", 1.5, 4}// 按价格升序排序（lambda替代仿函数）});// 按价格降序排序});// 按评价升序排序});return 0;