本文介绍了文本向量化模型及其在LangChain中的应用。主要内容包括： 文本嵌入模型的作用：将文本编码为向量，用于文档向量化和查询匹配。LangChain提供两种接口：embed_documents处理文档，embed_query处理句子。 向量数据库功能：内置similarity_search等召回函数，通过计算向量相似度实现检索。LangChain还提供更复杂的Retriever组件。 实践

文档拆分方法比较与实现 本文介绍了四种文档拆分方法及其应用场景： 字符拆分(CharacterTextSplitter)：按固定字符数切分，简单高效但可能破坏语义完整性。 递归字符拆分(RecursiveCharacterTextSplitter)：最常用方法，优先在自然语言边界(如段落、句子)处分割，通过递归尝试多种分隔符实现智能分段。 Token拆分(TokenTextSplitter)：按T

本文探讨了Agent智能体的概念及其在LangChain框架中的实现方式。Agent作为协调大语言模型和工具的系统，具备记忆、任务规划和自主调用工具等能力。文章对比了两种创建模式（Function Call和ReAct模式）及其实现方式，指出旧方法initialize_agent存在提示词固定和参数传递问题，推荐使用新方法AgentExecutor。重点分析了ReAct模式的核心标签体系（Thou

摘要： 使用LangChain接入通义千问的向量模型时遇到400报错，显示输入内容格式不符。解决方案是在OpenAIEmbeddings构造方法中添加check_embedding_ctx_length=False参数，成功解决问题。该参数可能绕过了长度检查机制，最终实现了示例选择器的相似度匹配功能，效果验证通过。（98字） 精简版（60字）： LangChain接入通义千问向量模型报400错误，

文章摘要： 本文介绍了LangChain中Tools的概念与使用方法。Tools用于扩展大语言模型(LLM)的能力，使其能与外部系统交互。Tools由名称、描述、参数模式等属性组成。文章详细展示了两种自定义Tools的方式：使用@tool装饰器和StructuredTool.from_function()方法，并提供了完整的代码示例。最后，文章演示了如何实现大模型调用工具的过程，包括判断调用时机、

文章摘要： 本文介绍了LangChain中Tools的概念与使用方法。Tools用于扩展大语言模型(LLM)的能力，使其能与外部系统交互。Tools由名称、描述、参数模式等属性组成。文章详细展示了两种自定义Tools的方式：使用@tool装饰器和StructuredTool.from_function()方法，并提供了完整的代码示例。最后，文章演示了如何实现大模型调用工具的过程，包括判断调用时机、

本文介绍了LangChain中的6种常见记忆模块，重点讲解了ChatMessageHistory、ConversationBufferMemory、ConversationBufferWindowMemory和ConversationTokenBufferMemory四种模块。这些模块可帮助大模型实现对话记忆功能，各有特点：ChatMessageHistory是基础存储工具；Conversatio

本文介绍了LangChain中的6种常见记忆模块，重点讲解了ChatMessageHistory、ConversationBufferMemory、ConversationBufferWindowMemory和ConversationTokenBufferMemory四种模块。这些模块可帮助大模型实现对话记忆功能，各有特点：ChatMessageHistory是基础存储工具；Conversatio

本文介绍了LangChain中的两种链式工作流构建方式：LLMChain和LCEL。LLMChain适合简单问答任务但已过时，LCEL则支持复杂流程开发。重点讲解了顺序链的两种实现：SimpleSequentialChain（单输入/输出）和SequentialChain（多输入/输出）。通过代码示例展示了如何用SimpleSequentialChain实现知识问答与总结的串联，以及用Sequen

本文介绍了在构建prompt时使用样本示例的几种方法：FewShotPromptTemplate适用于单次回复场景，通过示例格式化输出；FewShotChatMessagePromptTemplate专为聊天对话设计，可转换示例为对话格式；示例选择器则通过向量匹配筛选相关性高的样本。这些方法都能有效提升模型输出的准确性和一致性，其中FewShotChatMessagePromptTemplate特