Agent的核心是“工具”。我们可以通过继承BaseTool类，为AI创建一个它原本不具备的能力。比如，让AI学会计算文本字数。我们要使用LangChain框架构建一个具备记忆功能的结构化聊天智能体，具体步骤包括：首先导入必要的LangChain模块，并基于阿里云百炼平台的qwen-plus模型配置了一个对话模型；接着自定义了一个继承自BaseTool的类，其核心功能是返回输入文本的字符长度；然后

本文介绍了如何构建一个智能代理（AgenticRAG）系统的决策流程。系统通过定义关键决策节点实现自主思考：1) 工具调用决策点判断是否需要检索信息；2) 文档评估环节使用结构化评分模型判断检索结果的相关性；3) 问题重写机制优化失败查询；4) 答案生成节点处理有效信息。这些节点通过LangGraph连接成完整的"规划-检索-评估-再规划"循环，使代理能自主处理复杂查询。示例展

通过LangChain构建一个问答链，首先创建包含输出解析器格式指令的提示模板，并使用逗号分隔列表解析器，随后实例化ChatOpenAI模型。两种方式都可以输出结果，但链式写法更简洁直观。通过LangChain框架构建了一个结合输出解析器：首先创建解析器并获取其格式说明作为系统提示，然后定义聊天提示模板，其中系统消息嵌入解析器指令，人类消息要求列出指定国家的五个汽车品牌；对于更复杂的数据结构，可以

LangChain 是一个强大的框架，主要用于简化基于大语言模型的应用开发。它像乐高积木一样，将各种组件（模型、提示模板、输出解析器等）组合起来，让新手能快速搭建出功能丰富的 AI 应用。本篇文章将从零开始，一步步学习的LangChain 的核心概念与用法。

在 LangChain 框架中，Memory 组件专门负责对话历史的存储与调用，其核心功能通过两种基本操作实现。首先是在读取阶段，系统会在处理用户当前输入之前，主动从 Memory 中调取历史消息，并将其与最新问题合并，共同构建出完整的提示模板。随后在写入阶段，当模型生成回复之后，系统会将本次完整的对话交互，包括用户的提问和 AI 的回答，一同记录回 Memory 中，为未来的对话积累上下文。

我们可以通过学习LangChain这样的框架轻松构建自己的AI应用。其中检索增强生成是一种让大语言模型能够利用外部知识库来回答问题的技术，它就像给AI装上了“搜索引擎”，让回答更加准确、及时。本文从零开始，一步步实现一个完整的RAG系统，从加载文档到构建交互式问答应用，所有代码都基于LangChain和国内可用的通义千问模型。

要让 AI 知道它能使用什么“手脚”，我们必须先定义一套“工具说明书”。工具定义列表中包含一个类型为“函数”的工具，其函数名为“get_current_weather”，描述为“当你想查询指定城市的天气时非常有用”，它接受一个参数对象，参数结构包含一个必需的“location”字段，类型为字符串，描述为“城市或县区，比如北京市”。我们告诉 AI：“有一个叫 get_current_weather

第三方库是由Python社区广大开发者创建和维护的、提供各种专业功能的代码集合，它们并不是Python安装包自带，因此需要用户自己通过包管理工具（如pip）进行额外安装。

LangChain 是一个强大的框架，主要用于简化基于大语言模型的应用开发。它像乐高积木一样，将各种组件（模型、提示模板、输出解析器等）组合起来，让新手能快速搭建出功能丰富的 AI 应用。本篇文章将从零开始，一步步学习的LangChain 的核心概念与用法。

房产？/ \无 有/ \车辆？可以贷款/ \无 有/ \不可贷款 车收入？/ \>30万 <30万/ \可以贷款 不可贷款这个树告诉我们有房产的直接可以贷款，没房产但有车的，则是由收入决定的，没房产也没车的，不能贷款。