本文介绍了LangChain检索器（Retrievers）在RAG系统中的核心作用与高级应用策略。基础检索器通过向量数据库实现语义相似度检索，支持similarity、similarity_score_threshold等四种检索类型。针对复杂场景，文章详细解析了五种高级检索策略：MultiQueryRetriever通过多查询改写解决表述歧义问题；ContextualCompressionRet

文本嵌入是RAG系统的核心环节，通过将文本转换为稠密向量实现语义匹配。嵌入模型将语义相似的文本在向量空间中距离拉近，支持语义检索、聚类等功能。LangChain提供统一API接口，支持开源和闭源模型。向量数据库专为高效相似性检索设计，主流选项包括Chroma、FAISS等，选型需考虑规模、部署等因素。实战演示了使用Chroma进行存储、检索及持久化操作，展示基础检索、带分数检索、元数据过滤等进阶功

本文介绍了RAG系统中文本分块的核心技术与实践策略。主要内容包括： 文本分块的必要性：突破LLM的Token限制，提升检索精准度，减少无效信息干扰。 主流分块策略： 固定字符数切分（简单但破坏语义） 句子级切分（保留句子结构） 递归字符切分（LangChain默认策略） Token级切分（精准控制输入） 语义级切分（效果最佳但成本高） LangChain核心拆分器详解： RecursiveChar

摘要：大语言模型(LLM)在专业领域应用时存在"幻觉"问题，检索增强生成(RAG)成为有效解决方案。LangChain框架的Retrieval模块提供标准化RAG开发流程，包含数据加载、文本处理到向量检索的全流程能力。文章详细解析了RAG的核心优势与局限性，以及LangChain文档加载器的设计思想和7类常见格式的加载实现，包括TXT、PDF、CSV等。同时提出了大文件处理、加

同源策略主要是由浏览器实施的一种安全机制，用于限制不同源（协议，域名，端口）之间的客户端脚本访问。同源策略确实会限制浏览器中前端应用程序对不同源服务器的访问，但在服务器与服务器之间的通信中，同源策略并不适用。

本文介绍了LangChain的Tools组件，它是大语言模型(LLM)的外部能力扩展接口，使AI能够调用搜索引擎、计算器等外部功能，实现从文本生成到实际操作的跨越。Tools与Agent结合形成"思考+行动"能力，具有增强LLM功能、支持智能决策和模块化设计三大特点。文章详细解析了Tool的核心要素（名称、描述、参数规范等）和两种自定义方式：@tool装饰器（适合新手）和Str

LangChain的Memory组件解决了大模型在多轮对话中缺乏上下文记忆的问题。原生大模型每次交互都是独立请求，无法记住历史对话。Memory组件通过存储和管理对话历史，使模型能基于完整上下文生成回答。核心模块包括ChatMessageHistory（底层存储）和ConversationBufferMemory（完整对话记忆）。开发者可通过这些组件实现对话历史的自动保存与读取，构建具备上下文感知

AI大语言模型融入了人们的日常工作、学习和生活，学习如何用好新的AI工具已经成为每个人的必修课。但是，对于一些稍微复杂的实际问题，AI大语言模型的回答却很不稳定，经常偏离问题甚至完全错误，主要原因就是问题（提示词）写得不好。事实证明，使用恰当的提示词，可以使AI大语言模型解决问题的效果提升数倍甚至数十倍。在每次与AI大语言模型的流畅对话中，提示词都起着至关重要的作用。

在基于大语言模型开发复杂AI应用时，单一的模型调用、提示词模板往往无法满足实际业务需求，而LangChain中的Chains（链） 正是为解决这一问题而生的核心能力。Chains通过将提示模板、LLM模型、输出解析器、记忆、工具等模块化组件串联/组合，形成可复用的AI工作流，让开发者能够轻松实现比单一组件更强大的功能。

摘要 LangChain的Model I/O模块是与语言模型交互的核心组件，包含Prompt Template、Model和Output Parser三部分，分别对应输入、模型处理和输出。Prompt Template通过动态变量组合生成最终提示词，支持多种类型如ChatPromptTemplate（适用于聊天模型）、FewShotPromptTemplate（少样本提示）等。ChatPrompt