多模态（Multimodal）指的是系统能够处理和整合多种不同形式的数据。LangChain 中的多模态能力，核心是让 RAG/Agent 能处理文本、图片、音频、视频、表格等多种类型数据，而非仅局限于纯文本 —— 这是实现 “图文问答、多模态知识库、视觉 Agent” 的关键。

嵌入模型（Embedding Model）是 RAG 流程的核心中枢—— 它将文本片段（Chunk）转换为高维向量（Embedding Vector），让计算机能通过「向量相似度」而非关键词匹配来检索相关信息。好的嵌入模型直接决定 RAG 的检索精度，甚至能弥补文本分割、加载环节的小瑕疵。

检索增强生成（Retrieval-Augmented Generation, RAG） 是一种将信息检索与语言模型生成相结合的技术范式。其核心思想是：在语言模型生成答案之前，先从外部知识库中检索出与问题相关的文档片段，将这些片段作为上下文注入模型，从而让模型能够利用最新、最专业或私有数据生成更准确、更可信的回答。

pom指的是project object model，又叫项目对象模型。Maven的pom文件是一个XML文件，用于描述项目的各种属性、依赖和构建信息，包括项目的名称、版本、许可证、作者、描述、依赖关系、构建过程、插件等。总的来说，POM文件是Maven工程的基本工作单元，它包含了项目的所有必要信息，使得Maven能够自动化地构建和管理项目。在Maven中，标签用于定义项目的依赖关系，可以将项目所

Maven的settings.xml文件是一个全局配置文件，用于定义Maven的参数和配置。这个文件包含了Maven的一些高级配置，比如本地仓库的位置、代理设置、认证信息等。settings.xml文件位于Maven的安装目录下的conf文件夹中，在使用Maven的时候如果未指定settings.xml文件的位置，默认使用的是用户目录下面的.m2子目录中的settings.xml文件。

将 LLM 应用的核心逻辑（模型调用、工具执行、分支判断、记忆管理、检索增强）抽象为节点（Node） 和边（Edge），通过可视化的图结构定义执行流程，支持循环、条件分支、多智能体协作等复杂逻辑。# 定义工作流状态user_input: str # 用户输入（如“查询2025Q4销售额并分析”）quarter: str # 提取的季度参数tool_results: dict # 工具执行结果ana

创建一个 Java 类表示导出的数据模型。// 构造方法、Getter 和 Setterreturn id;创建一个 Java 类表示导出的数据模型。// 构造方法、Getter 和 Setterreturn id;创建一个 Java 类表示导出的数据模型。// 构造方法、Getter 和 Setterreturn id;

定义LLM 在 LangChain 中代表“文本补全模型”。这类模型的设计目标是根据给定的提示文本（prompt），续写最可能的后续文本。给一段文字，续写下去。特点输入：一个简单的字符串（prompt）。输出：一个字符串（completion）。无角色区分：所有输入都被视为连续的文本，没有系统、用户、助手等角色概念。不原生支持对话、工具调用、结构化输出（需要自己封装）定义聊天模型是对底层大语言模型

智能体 = 大模型 + 工具 + 记忆 + 决策能力。突破大模型静态回答局限，能自主思考→选工具→执行→看结果→再思考，直到完成任务。智能体不是“一次性回答”，它是一个会反复思考和行动的循环系统。LangChain 1.0 统一用 create_agent() 构建，替代旧版 create_react_agent 等，更简洁、生产就绪。普通链（Chain）：固定流程，输入→处理→输出智能体（Age

LangChain 是一个用于开发大语言模型（LLM）驱动应用程序的框架，它通过将 LLM 与外部数据源、工具和环境连接起来，构建端到端的应用程序。