本文核心知识点：Hikari + jdbc + mysql 集成方案Druid + Mybatis Plus + Mysql集成方案

方面单轮对话示例多轮对话示例形式简单的Q-A 对（一问一答）完整的对话历史（多问多答）内容只展示正确的最终答案展示错误 -> 反馈 -> 纠正的全过程好比闪卡/备忘录：只记答案教学视频/案例研究：分析错题，讲解思路教学目标教会模型“是什么教会模型“为什么”以及“如何改进复杂度低高适用任务事实问答、翻译、简单总结风格写作、复杂推理、安全拒绝、交互式任务如果你想让模型学会回答简单明了的问题，就用单轮示

本文提出了一套为期4周的系统性学习计划，旨在帮助开发者掌握LangChain框架的核心概念体系。学习路径分为6个模块：核心运行机制、模型与输入输出、记忆与上下文管理、知识增强(RAG)、决策与行动(Agent)以及工程化与质量保障。每个模块都包含明确的学习目标、核心概念和渐进式实践任务，通过从基础组件到完整系统的递进训练，最终实现构建具备记忆、检索、工具调用和评估能力的AI应用。该计划强调刻意练习

本文提出了一套为期4周的系统性学习计划，旨在帮助开发者掌握LangChain框架的核心概念体系。学习路径分为6个模块：核心运行机制、模型与输入输出、记忆与上下文管理、知识增强(RAG)、决策与行动(Agent)以及工程化与质量保障。每个模块都包含明确的学习目标、核心概念和渐进式实践任务，通过从基础组件到完整系统的递进训练，最终实现构建具备记忆、检索、工具调用和评估能力的AI应用。该计划强调刻意练习

概念比喻解释同步方法 (invoke)老式锅：必须专人盯着会阻塞主线程，效率低异步方法 (ainvoke)智能锅：会通知你不阻塞主线程，效率高没有异步方法可用厨房里有个老式锅问题：会拖累整个异步流程委托给同步方法雇个帮手去盯老式锅解决方案：把阻塞操作扔到新线程里​​​​帮手池（线程池）提供帮手的机制轻微开销管理帮手要费点口舌创建线程、传递消息的成本“委托给同步方法”是 LangChain 提供的一

从大型语言模型（LLM）生成完整响应通常会产生几秒钟的延迟，在涉及多次模型调用的复杂应用程序中，这种延迟会更加明显。这种延迟会更加明显。幸运的是，大型语言模型以迭代方式生成响应，允许在生成过程中显示中间结果。通过流式传输这些中间输出，LangChain 可以在基于大型语言模型的应用程序中实现更流畅的用户体验，并在其核心设计中提供了对流式传输的内置支持。‍在本指南中，我们将讨论大型语言模型应用程序中

本文介绍了LangChain中的追踪（Tracing）功能及其在LangSmith平台上的实现。追踪是记录应用程序从输入到输出执行步骤的过程，对调试和诊断复杂问题至关重要。文章详细说明了如何配置LangSmith追踪功能，包括安装依赖项、设置API密钥、环境变量，以及通过代码示例展示如何追踪OpenAI调用和整个应用程序的执行流程。此外，还介绍了LangSmith平台的高级功能，如监控、自动化、收

本文介绍了LangChain框架中的回调系统，该系统允许开发者在LLM应用程序执行的不同阶段注入自定义逻辑，用于日志记录、监控等任务。回调处理程序分为同步和异步两种类型，通过事件触发对应方法（如on_llm_start）。回调可通过请求时或构造函数两种方式传递，但需注意构造函数回调不会被子对象继承。此外，在Python<=3.10中异步运行时需手动传播回调到子对象，否则可能导致事件未被捕获。

咖啡师（在这里相当于 LangChain）会根据你的要求，自行决定最佳的步骤、水温、水流等来优化制作过程。是一个组合原语，它允许您并发运行多个 runnable，并为每个 runnable 提供相同的输入。请记住，runnable 是并行执行的，因此虽然结果与上面所示的字典推导式相同，但执行时间要快得多。许多这些传统链隐藏了诸如提示之类的关键细节，并且随着各种可行模型的出现，自定义变得越来越重要。

Runnable 方式定义了一个标准接口，允许 Runnable 组件调用invoked：将单个输入转换为输出。批量处理Batched：将多个输入高效地转换为输出。流式传输Streamed：输出在其生成时进行流式传输。检查 Inspected：可以访问有关 Runnable 输入、输出和配置的示意信息。组合 Composed：可以使用LangChain 表达式语言 (LCEL)将多个 Runnab