本文介绍了LangChain中的递归字符文本分割器(RecursiveCharacterTextSplitter)，它通过优先级分隔符列表解决文档块过大或过小的问题。该分割器支持多种编程语言，并允许自定义分隔符（如中文标点）。其工作流程包括预分割、递归分割大块和合并小块三部分，能有效控制块大小，提高RAG系统的信息检索效率。文中还提供了Python代码示例，展示了如何针对中英文混合文本进行优化分割

摘要：本文推荐了5个LLM应用开发学习社区：1)LangChain博客（最热框架前沿）；2)Dify博客（Agent应用开发）；3)Huggingface专栏（模型信息）；4)OpenLLM博客（部署方案）；5)OpenAI社区（API开发）。同时对比了主流开发框架：LangChain（全能但复杂）、LlamaIndex（专注RAG）、aisuite（轻量接口）、SemanticKernel（微软

摘要： 随着大模型私有化部署需求增加，合理评估LLM推理和训练资源成为关键。推理显存估算公式为参数数量×精度（如1B参数需2GB显存），训练则需4~6倍资源。量化（如FP32转INT8）可显著降低显存占用。推理总内存包括模型权重、KV缓存和激活内存，其中模型权重占比最大。训练还需额外存储优化器状态和梯度，总内存约为推理的4~6倍。LLM输出速度受预填充（首Token延迟）和解码（后续Token速度

本文介绍了LangChain中RunnableWithMessageHistory类的使用方法，该工具类可自动管理聊天历史记录。主要内容包括： 核心功能：通过会话ID管理不同用户的对话历史，自动填充和存储消息 关键配置参数：包括输入输出消息键、历史消息键及会话历史工厂函数 实现示例：展示了完整的代码实现流程，包含历史存储初始化、链构建和包装过程 内部机制：解析了该类的运行流程，包括历史记录的加载、

摘要：LangGraph提供两种流式响应模式："values"（返回完整状态）和"updates"（返回增量更新）。通过stream_mode参数可切换模式，但当前实现仍存在响应延迟问题，特别是LLM节点需要内部流式支持才能提升效率。理想方案应结合节点级流式输出和内部事件流，类似主流Agent工具（如Coze、GPTs）的交互体验。该功能将在后续章节深入探讨

LangGraph是一个用于构建多角色智能体工作流的框架，其核心优势在于支持循环、条件控制和状态持久化。与传统的DAG方案不同，LangGraph允许开发者精细控制应用程序流程，支持节点中断、状态修改和流式输出。框架包含三个基本组件：状态（支持自定义更新规则）、节点（处理状态的函数）和边（定义节点间路由）。典型开发流程包括：初始化模型工具、创建状态图、定义节点和边、编译为可执行组件并调用。Lang

文章摘要：本文探讨了LangChain框架中LCEL链式应用和AgentExecutor的局限性，提出了基于图结构的LangGraph解决方案。分析指出LCEL存在线性流程、状态管理复杂等问题，而AgentExecutor在动态路由和状态持久性方面不足。通过"带娃状态图"的类比，阐释了状态机和图结构的概念优势。LangGraph通过非线性流程、内置状态管理、简化工具集成等特性，

本文解析了LangChain中AgentExecutor的核心运行机制，其通过循环执行工具调用和观察反馈实现智能体功能。作者指出传统Agent组件存在循环步骤单一、多Agent协作困难、扩展性差等缺陷，并介绍了LangChain通过LCEL表达式和LangGraph的改进方案，使复杂Agent工作流的开发变得更加简单可控。最后强调在简单场景下传统Agent仍具参考价值，但复杂应用需结合LangGr

本文介绍了基于工具调用的智能体架构优化方案。传统ReACT架构存在LLM输出随机性导致的脆弱性问题，建议迁移到更稳定的"聊天消息+工具调用"模式。该方案通过检测LLM输出类型（文本或工具参数）来规范流程，支持多工具并行调用。文中以LangChain为例，展示了如何快速创建支持联网搜索和文生图的智能体，并提供了具体实现代码和运行示例，包括绘制爬山图片和查询马拉松世界纪录的功能演示

文章摘要：本文介绍了LangChain中创建自定义工具的3种方法。1）@tool装饰器：最简单的方式，通过装饰函数快速创建工具，需提供文档字符串；2）StructuredTool.from_function()：支持更多配置，可同时实现同步和异步方法；3）BaseTool子类：最灵活的方式，适合全新工具开发。每种方法各有适用场景，开发者可根据需求选择合适方式构建自定义工具。