摘要： LangChain团队于2025年10月发布LangChain 1.0和LangGraph 1.0，标志着AI智能体开发框架进入成熟阶段。LangGraph作为核心组件，通过“节点-连线-状态”的可视化流程解决传统大语言模型应用的线性调用局限，支持多步骤任务、分支决策和状态持久化。本文以“推荐作家+生成风格化笑话”为例，详细讲解LangGraph的核心概念与开发流程，包括State（状态管

本文通过三个案例详细介绍了如何利用LangChain框架扩展大语言模型(LLM)的功能，使其具备调用外部工具的能力。案例一展示了基本的天气查询工具实现；案例二演示了网络搜索工具集成；案例三则完整实现了"天气查询+本地文件写入"的复合功能。文章重点讲解了@tool装饰器的使用、工具文档字符串规范、异常处理、Agent配置等核心知识点，并提供了生产环境优化建议。通过灵活组合自定义工

摘要：LangChain框架中的Tools（工具）让大语言模型能够调用外部函数执行特定任务。本文详细介绍了如何通过Agent机制实现模型自动决策调用工具，以通义千问+Tavily搜索为例，展示了完整实现流程。核心内容包括：工具调用原理、环境配置、代码实现（模型初始化、工具绑定、Agent创建）、以及扩展优化建议。通过自定义@tool装饰器和Pydantic参数控制，开发者可以灵活创建各类工具，使大

LangChain 1.0引入全新create_agent() API，将Agent升级为具备上下文感知和决策能力的智能运行体。该API通过统一架构将语言模型与工具集结合，支持复杂任务的推理与执行。基于LangGraph的底层架构提供了结构化执行、状态管理和深度定制能力，显著提升了生产环境的可靠性。相较于早期分散的代理类型，create_agent()实现了统一调用方式，简化了开发流程。示例展示了

摘要：本文讨论了在RAG应用中处理长文档的关键步骤——文本分割。由于大语言模型的上下文窗口有限，需要将Document对象分割成更小的语义块(chunks)。文本分割器(TextSplitters)通过设置chunk_size和chunk_overlap参数，在保持语义连贯性的同时分割文档。这种处理既能适应模型限制，又能提升检索效率和质量，避免因文档过长导致的信息丢失或回答质量下降。LangCha

本文详细解析了LangChain框架中向量存储检索器(Retriever)在RAG问答系统中的核心作用与配置方法。Retriever作为连接向量数据库与大语言模型的关键组件，通过语义匹配从海量文档中检索相关信息，为LLM提供精准上下文。文章重点介绍了基于FAISS向量库的Retriever配置方式，包括search_type(相似度检索/阈值检索/MMR检索)和search_kwargs(相似度阈

LangChain的ModelI/O模块将大语言模型抽象为三种类型：LLMs（非对话模型）适用于单次文本生成任务，输入输出为文本字符串；ChatModels（对话模型）支持多轮对话，使用结构化消息对象维护上下文；EmbeddingModels（嵌入模型）将文本转换为向量表示。该模块统一了不同模型的调用方式，适用于文案创作、客服机器人、语义搜索等多种应用场景。开发者可通过简单API实现模型调用，支持

本文介绍了如何下载和使用maidalun/bce-embedding-base_v1双语嵌入模型的完整流程。首先需要注册魔塔社区并搜索该模型，然后安装modelscope、sentence_transformers等必要依赖。文章提供了两种运行模型的方法：通过LangChain框架调用HuggingFaceEmbeddings，以及直接使用SentenceTransformer进行本地推理。两种方

RAG（检索增强生成）技术通过结合外部知识检索与大模型生成，解决大模型知识过时、事实错误等问题。本文介绍搭建轻量级RAG系统的完整流程：使用BCE嵌入模型将文本向量化，FAISS构建本地向量库，LangChain编排流程，通义千问大模型生成回答。系统先检索相关知识，再基于上下文生成精准回答，适用于知识库问答等场景。文章包含详细代码实现、关键参数说明及扩展方向，是入门大模型应用开发的实践指南。

本文介绍了检索增强生成(RAG)技术及其在政府网页智能问答系统中的应用。RAG通过给大模型添加"知识外挂"，无需微调即可调用特定领域知识。系统采用LangChain框架，整合网页爬取、文本分割、向量化存储(FAISS)、智能检索和回答生成(通义千问)全流程。实战演示了如何搭建该系统，包括环境准备、核心代码解析及常见问题解决。该系统具有轻量化、易用性等特点，可快速适配政务、金融等