摘要：文章介绍了RAG应用中解决文档拆分与检索冲突的方法。通过"子文档检索父文档"策略，使用小文档块提高嵌入准确性，同时保留大文档块的上下文。LangChain提供的ParentDocumentRetriever工具可实现该功能，支持两种使用场景：1)直接检索原始文档；2)检索中间大小的文档块（非原始文档）。文中给出了具体代码实现，包括文档加载、分割器设置、向量数据库连接和检索

摘要：LangChain提供了Runnable组件的异常处理机制。with_retry()支持对指定异常进行重试，可配置重试次数（默认3次）和指数退避间隔。with_fallback()则实现回退方案，当主组件失败时自动切换到备用组件（如OpenAI失败转文心一言）。两种机制都支持自定义异常类型处理，前者通过循环重试解决临时故障，后者则实现服务降级，确保系统可用性。示例代码展示了如何配置重试次数和

'answer': '根据背景知识，藜麦常见虫害有象甲虫、金针虫、蝼蛄、黄条跳甲、横纹菜蝽、萹蓄齿胫叶甲、潜叶蝇、蚜虫、夜蛾等。也可以每亩用40%的辛硫磷乳油250毫升，加水1-2千克，拌细土20-25千克配成毒土，撒施地面翻入土中，防治地下害虫', metadata={'source': './藜.txt'}), Document(page_content='中期管理\n在藜麦8叶龄时，将行中杂

摘要：LangChain引入了Blob方案来处理文档加载和解析，该方案包含Blob、BlobLoader和BaseBlobParser三个核心类。Blob类封装原始数据，BlobLoader负责加载数据，BaseBlobParser则用于将数据解析为文档。通过自定义解析器实现lazy_parse()方法，可以灵活处理不同格式的文件内容。目前该方案仅支持FileSystemBlobLoader，并提

Embedding是一种将高维非结构化数据（如文本、图片、视频）转换为低维向量表示的技术。主流Embedding模型包括Word2Vec、GloVe、FastText和大模型嵌入（如text-embedding-ada-002）。其核心价值在于：降维处理高维数据；捕捉语义信息使相似概念在向量空间相近；支持向量运算（如"女王=国王-男人+女人"的经典示例）。通过可视化向量分布可发

本文介绍了LangChain框架中各类文档加载器的使用技巧。框架内置了上百种文档加载器，包括CSV、HTML、PDF、Office等格式，使用流程均为实例化加载器后调用load()函数。重点讲解了Markdown文档加载器UnstructuredMarkdownLoader的使用方法，包括安装依赖、基础加载和元素分割模式。同时介绍了Office文档（Excel/PPT/Word）加载器的安装配置和

高德地图API提供了天气预报查询功能，开发者需通过行政区域查询接口获取城市编码，再调用天气接口获取数据。本文介绍了如何基于LangChain框架实现一个天气预报查询工具：首先配置高德API密钥，通过城市名查询行政编码，再获取该城市的天气信息。该工具采用BaseTool子类实现，输入城市名即可返回包含温度、天气状况、风力等详细信息的JSON格式数据。示例代码展示了查询广州天气的实现过程，包含完整的错

② ConversationBufferWindowMemory：缓冲窗口记忆，通过设定 k 值，只保留一定数量（2*k）的对话信息作为历史。① ConversationBufferMemory：缓冲记忆，最简单，最数据结构和提取算法不做任何处理，将所有对话信息全部存储作为记忆。使用 LangChain 实现一个案例，让 LLM 应用拥有 2 轮的对话记忆，超过 2 轮的记忆全部遗忘。("syst

FileChatMessageHistory 会将对话历史存储到本地的文件中，可以使用这个记忆组件结合原生的 OpenAI SDK 来实现在命令行界面实现带有记忆功能的对话功能，并且关闭某次对话后，下次运行代码，读取到对应的文件时，仍然可以记忆之前对话的内容。可以看到，一个记忆类是由 历史消息的存储 与 记忆的处理逻辑 两个部分组成的，在 LangChain 中，也是类似的思路。将历史信息代码进行

文章摘要：本文探讨了函数调用中的错误处理策略以提升程序健壮性。首先演示了使用try/except捕获工具错误的方法，通过将错误信息返回给LLM实现参数自动补全。其次介绍了两种进阶处理方案：1)模型回退策略，在出错时切换到更强大的模型；2)携带错误信息的重试机制，让LLM根据错误反馈自我纠正。文中提供了完整的代码示例，展示了如何实现这些错误处理技术，特别强调了在工具内部捕获错误并返回可读信息的重要性