MCP（Model Context Protocol）服务器是为AI应用提供标准化上下文的工具，包含三大核心功能：工具（Tools）、资源（Resources）和提示词模板（Prompts）。工具支持主动调用执行操作；资源提供只读数据；提示词模板指导模型完成任务。本文详细讲解了如何在FastMCP框架下定义这三类功能，并通过实战演示客户端如何连接MCP服务器、调用工具、读取资源和获取提示词模板。同

MCP（Model Context Protocol）是一种连接AI应用与外部系统的标准化协议，类似于AI领域的"万能插座"。它解决了传统工具调用中的工程挑战，如接口不统一、重复开发等问题。MCP包含Host、Client、Server三个核心角色，支持stdio和HTTP两种通信方式。 在快速上手部分，通过fastmcp库搭建了本地计算器服务和远程天气服务，并使用langch

LangSmith是一款专为AI应用设计的监控调试平台，支持LangChain等多种框架。只需配置API密钥和环境变量，即可自动记录LLM应用的完整执行流程，包括每一步的输入输出、耗时、报错等信息。通过可视化界面，开发者可以清晰查看调用链、分析性能瓶颈，无需额外编码就能实现全流程监控。该工具特别适合复杂AI项目的调试和优化，帮助开发者快速定位问题。

本文详细探讨了LangChain中聊天模型的流式传输机制及其实现原理。主要内容包括：1. 流式传输的优势在于逐步显示输出，显著改善用户体验；2. 同步流式传输使用.stream()方法返回迭代器，异步流式使用.astream()方法；3. 可通过自定义输出解析器控制流式输出格式；4. 底层基于HTTP协议和SSE技术实现，LangChain将OpenAI返回的JSON数据块转换为标准AIMessa

摘要：提示词模板是LangChain中的核心组件，用于动态生成大语言模型(LLM)请求。它通过占位符机制实现提示词复用，支持字符串模板(PromptTemplate)和聊天消息模板(ChatPromptTemplate)两种形式。主要优势包括：1)提高开发效率，避免重复编写提示词；2)实现工程与内容的关注点分离；3)保证提示结构一致性；4)便于统一维护修改。LangChain还支持从LangCha

摘要：少样本提示（Few-shot Prompting）是一种通过提供少量示例指导大语言模型执行特定任务的技术。文章详细介绍了其工作原理、应用场景和实现方法，包括四种示例选择策略（长度、语义相似性、最大边际相关性和N-gram重叠）及其在LangChain中的具体实现。通过数学运算、信息提取等案例，展示了如何利用示例数据提升模型性能，控制输出格式，并解决复杂推理任务。文章还比较了不同选择策略的特点

当使用 LLM 生成结构化数据或规范化聊天模型和 LLM 的输出时，这很有用。大型语言模型（LLM）的输出本质上是非结构化的。但在构建应用程序时，我们通常希望得到结构化的、机器可读的数据，这样可以将其转换为Pydantic它们将 LLM 的非结构化文本输出转换为结构化格式。这使得与 LLM 的交互从 “模糊的文本对话” 变成了 “精确的数据 API 调用”，是构建可靠、高效 LLM 应用不可或缺的

本文介绍了文本向量嵌入技术及其应用模型。嵌入模型将人类语言转换为计算机可理解的数值向量，保留语义关系，实现语义搜索、推荐系统等应用。文章详细解析了向量空间概念、相似度计算方法（欧氏距离、余弦相似度），并演示了如何使用LangChain框架集成OpenAI等嵌入模型。重点讲解了向量数据库的核心机制（如ANN近似搜索）及实际应用，包括内存存储(InMemoryVectorStore)、Redis和Pi

本文介绍了LangChain中的检索器（Retrievers）及其应用。检索器是检索系统的核心组件，能够从大规模数据中查找相关信息，支持多种实现方式如关系数据库、词法搜索索引和向量数据库。重点展示了如何使用Redis向量存储作为检索器，包括初始化配置、执行查询和结果处理。文章还演示了如何通过@chain装饰器创建自定义检索器，并构建了一个完整的RAG（检索增强生成）案例，将检索结果与大语言模型结合

实际上，可能会因删除消息而丢失信息。因此，某些应用更希望将消息历史记录进行总结，把旧的对话内容总结成简短摘要，保留关键信息，以代替冗长的历史记录。总结消息。核心思路是：在删除原始历史消息之前，先调用大语言模型，把冗长的对话内容提炼成简短的摘要，用摘要替代原始消息保存。这样一来，既缩减了内容体量、降低了 Token 占用，又完整保留了对话的关键信息，解决了裁剪、删除消息导致信息丢失的问题。想要实现消