不是的，这和模型的训练过程是没有关系的。随后，流程进入 “执行 - 调整” 的循环阶段：Agent 主程序将新生成的执行计划再次传递给执行 Agent，执行计划中的第一步（如 “查询 2025 年澳网男子冠军名字”），获取结果后加入历史执行记录，再将相关信息传给 Re-Plan 模型生成更新后的计划。这类模式暂无统一名称，各 Agent 实现存在差异，其中 LangChain 提出的 “Plan-

Vue 3 正是借助 TypeScript 的函数类型重载机制，为自定义事件提供了精确的类型约束。

DeepSeek 作为国内领先的大语言模型提供商，其 API 以高性价比和优秀的推理能力受到开发者青睐。而 LangChain 作为连接大模型与应用的桥梁框架，在 1.0 版本中对模型调用方式进行了重要重构，引入了更加统一的接口。本文将完整演示：从 DeepSeek API Key 的申请，到使用 LangChain 1.0 的新语法调用模型并获取流式响应的全过程。同时会对比 LangChain

讨论对象核心话题本质原因JS语言线程（单线程）语言本身的执行规则，适配浏览器场景，避免多线程操作DOM冲突Node.js环境进程（多进程）服务器需利用多核CPU、处理高并发，弥补JS单线程的性能局限。

DeepSeek 作为国内领先的大语言模型提供商，其 API 以高性价比和优秀的推理能力受到开发者青睐。而 LangChain 作为连接大模型与应用的桥梁框架，在 1.0 版本中对模型调用方式进行了重要重构，引入了更加统一的接口。本文将完整演示：从 DeepSeek API Key 的申请，到使用 LangChain 1.0 的新语法调用模型并获取流式响应的全过程。同时会对比 LangChain

Ollama 是一个开源的、专为在本地运行和管理大型语言模型（LLM，Large Language Model）而设计的轻量级工具与平台。简单来说，它的核心作用是：让你能像运行一个普通程序一样，在自己的电脑上轻松下载、运行和试验各种开源大模型（如 Llama 3、Qwen、Gemma 等），而无需了解复杂的模型部署、环境配置或依赖管理。过去一年，本地化部署大语言模型这件事悄悄变得不那么"硬核"了。

如果你已经会用requests直接打 Ollama 的 HTTP 接口，可能会问：再套一层 LangChain，是不是过度工程？我一开始也这么想，直到真正动手做了一个稍微复杂点的应用——带工具调用的 RAG 助手。那一刻我才意识到，自己拿requests拼的那套东西，本质上是在重新实现一遍 LangChain 已经打磨好的抽象。接口标准化。LangChain 的接口让 Ollama、OpenAI、

DeepSeek 作为国内领先的大语言模型提供商，其 API 以高性价比和优秀的推理能力受到开发者青睐。而 LangChain 作为连接大模型与应用的桥梁框架，在 1.0 版本中对模型调用方式进行了重要重构，引入了更加统一的接口。本文将完整演示：从 DeepSeek API Key 的申请，到使用 LangChain 1.0 的新语法调用模型并获取流式响应的全过程。同时会对比 LangChain

在 AI 应用开发日益普及的今天，Python 依然是构建大语言模型（LLM）应用的首选语言。而 LangChain 作为连接模型与应用的桥梁框架，其环境搭建的规范性直接影响后续开发的效率和稳定性。经典的 pip + conda 组合与现代化的 uv 工具。前者是大多数开发者熟悉的路径，后者则代表了 Python 生态依赖管理的新范式。团队已有成熟的 conda 工作流，迁移成本高；需要频繁切换

知识截止日期的边界和无法访问私有数据。检索增强生成（RAG, Retrieval-Augmented Generation）正是为解决这两个问题而生的架构范式——它让模型在回答问题时，能够先检索相关的外部知识，再基于检索到的上下文进行推理和生成。从 PDF 文档读取 → 文本分割 → 向量化 → 向量库存储 → 语义检索。我们会使用 LangChain 1.0 的抽象接口，配合 Ollama 本地