通过以上步骤，我们成功地将本地 Qdrant 向量库集成到 LangChain 中，并实现了基于向量检索的问答功能。这种方法非常适合需要高效检索和生成文本的场景，例如知识库问答、文档检索等。如果你有更多的数据或需求，可以扩展 Qdrant 集合，或者尝试不同的嵌入模型和 LLM 模型。

大型语言模型（Large Language Models，简称LLM）是一类基于深度学习的人工智能模型，旨在处理和生成自然语言文本。通过训练于大规模文本数据，这些模型能够理解并生成与人类语言相似的文本，执行包括文本生成、翻译和情感分析等多种自然语言处理任务。LLM的重要性在于其广泛的应用场景，从自动化客户服务到高级研究，都显示出其强大的实用性和潜力。LLM可以从长篇文本中提取关键信息，生成简洁的摘

或许从诞生那天起，LangChain 就注定是一个口碑两极分化的产品。看好 LangChain 的人欣赏它丰富的工具和组建和易于集成等特点，不看好 LangChain 的人，认为它注定失败 —— 在这个技术变化如此之快的年代，用 LangChain 来构建一切根本行不通。夸张点的还有：「在我的咨询工作中，我花了 70% 的精力来说服人们不要使用 langchain 或 llamaindex。这解决

搭建之后也关系到你的虽然fastgpt支持直接导入Excel，但是，导入知识库的，导致知识库问答效果不佳。优化知识库的问答效果不是一蹴而就的，需要经过反复调整，反复测试。而且是多维度的优化。语言模型、索引模型、重排模型、RAG的方式、数据的质量、知识库的参数、大模型的参数等等都会对知识库的问答效果产生影响。数据预处理我们先达成共识，在知识库把数据转换为向量之前，对原始文件做的数据清洗、整理、优化叫

LangChain真是好起来了。24年中的时候用LangChain V2差点把我气死，现在V3用起来开始真香了~像 ChatGPT、Gemini 和 Claude 这样的大模型已成为企业必不可少的工具。如今，几乎每家公司都希望根据自己的需求或客户群体，开发一款定制化的AI Agent。这篇文章将重点介绍如何创建一个个性化的助手，这个助手不仅能进行功能调用，还能将对话记录存储在数据库中，实现多会话的

embedding 是自然语言处理 (NLP)中的一种变革性技术，它改进了机器理解和处理人类语言的方式。其将原始文本转换为数字向量，让计算机更好地理解它。因为计算机只能用数字思考，无法独立理解人类的语言。借助文本嵌入，计算机可以更轻松地阅读、理解文本，并对查询提供更准确的响应。下图可以更加形象的理解：embedding 是一种将文本中的单词或短语转换为机器可以理解的数字数据的方法。可以将其视为将文

上篇我们实现了基础节点，并暴露出grpc服务，但是手动编辑文本制作一个workflow实在强人所难。所以本文我们做个webui自动生成workflow。开搞之前先看看别人怎么做的。

为了增加框架的扩展性和适用性，我们要能够在流程节点中运行python脚本。1 为什么是python？思考：老实说我并不喜欢python，我更倾向于lua这种短小轻快的脚本。在我之前写的规则引擎rush里，就用的lua脚本写规则。并且我对比过多个脚本的性能，lua可以甩python几条街。但是，python是大众的选择，被更多的人接受，没得选，只能是它。这里有屌大的就要说了，为啥不用js，不用was

上篇文章我们大致演示了一下ai_agent的食用方法。这里我们做一下核心模块runtime的设计和实现。一个agent也好，workflow也好，他们单个实现起来并不复杂，困难的是如何将他们有机的组合起来，能够按照一定的逻辑流转起来。并且能够层层嵌套，能力无限。现实中应用肯定不局限于这几种情况，但通过一定的流程编辑基本都可以解决，只是复杂性会比较高。

211硕士通信与信息系统专业毕业，坐标深圳，毕业之后做了两年算法工程师。自从做了技术，我感觉自己变得越来越社恐，天天面对着电脑，与别人沟通机会很少，表达能力直线下降，从一个e人变成了i人，我必须改变了。当前非常看好AI这条赛道，所有从2024年6月萌生了转行的想法，目前面试了5家，拿到了华为一家offer，涨薪21.7%，其他的依然在面试。这个岗位入职之后主要负责数字人和Agent相关的项目，所以