摘要： LangChain是由Harrison Chase于2022年10月创建的智能体开发平台，提供多种组件支持Python和TypeScript开发。其核心框架包括： LangChain：快速构建兼容多模型的智能体 LangGraph：底层控制智能体构建（记忆、人机协同等） Deep Agents：处理多步骤复杂任务 LangSmith：测试评估平台 智能体（Agent） 与传统LLM的区别在

本文介绍了大语言模型(LLM)的基本概念及其在LangChain中的应用。主要内容包括：1) LLM的核心功能如工具调用、结构化输出、多模态处理和推理能力；2) LangChain提供的两种模型初始化方法：自动初始化的init_chat_model函数和手动创建Model类；3) 模型访问方式：阻塞式invoke和流式stream调用；4) 如何在Agent中使用模型，包括创建智能体和调用方法。文

本文探讨了大语言模型(LLM)的记忆机制及其实现方法。主要内容包括： 记忆的必要性：LLM本身是无状态的，无法记住历史会话内容，需要通过技术手段实现记忆功能，以支持多轮对话、个性化服务和复杂任务处理。 记忆分类： 短期记忆：保存当前会话的上下文信息，包括对话历史、查询结果和任务状态 长期记忆：存储跨会话的知识和经验，如用户偏好和业务规则 实现方案： 短期记忆通过Checkpointer对象管理会话

摘要 大模型虽具备强大的语言能力，但缺乏与外部系统交互的功能。Tool机制通过定义可调用函数，使模型能够访问数据库、API、执行代码等，扩展了其应用场景。工具定义需包含名称、描述、参数约束等信息，通过装饰器注册后供Agent调用。Agent作为智能体，包含模型（负责推理）和工具（负责执行）两部分，能自动判断何时调用何种工具。工作流程包括：定义工具→注册工具→Agent调用→处理结果。自定义工具时需

摘要：本文介绍了LangChain中消息处理机制，重点讲解了BaseMessage及其子类（SystemMessage、HumanMessage、AIMessage、ToolMessage）的使用方法。通过示例代码展示了如何构建对话历史实现记忆功能，并详细说明了多模态消息（如图片+文本）的处理方式，包括在线图片URL和本地图片base64编码两种实现方案。文章还演示了如何调用支持多模态的模型（如q

摘要： LangChain的输出解析器（Output Parsers）用于标准化大语言模型的输出格式，解决返回内容冗余或格式不一致的问题。常见解析器包括： StrOutputParser：提取纯文本。 JsonOutputParser：解析JSON数据，支持字段校验。 PydanticOutputParser：结合Pydantic模型实现复杂结构化数据的类型验证和转换。 通过parse方法格式化输

本文介绍了提示词工程(Prompt Engineering)的核心概念和应用方法。系统提示词(System Prompt)作为关键要素，能够定义AI的角色和行为规范。主要内容包括：1)系统提示词的基本用法，通过角色设定改变AI输出风格；2)提示词工程的核心要素，包括身份定义、指令说明、示例展示和背景信息；3)具体应用技巧，如角色设定、Few-Shot示例引导和结构化输出控制。文章通过Python代

此类模型通常通过对大量文本数据的训练，掌握语言规律并能够生成合适的内容，但缺乏像推理模型那样复杂的推理和决策能力。CoT链式思维的出现将大模型分为了两类：“概率预测（快速反应）”模型和“链式推理（慢速思考）”模型。前者适合快速反馈，处理即时任务；推理模型： 推理大模型是指能够在传统的大语言模型基础上，强化推理、逻辑分析和决策能力的模型。“为降低物流成本，现有两种方案：①自建区域仓库（初期投入高，长

通过系统的学习、实践和创新，你将能够掌握这一领域的前沿技术，并在实际项目中应用这些知识。直接面向用户或者支持开发者，提供智能对话、文本生成、语义理解、计算推理、代码生成补全等应用场景，支持联网搜索与深度思考模式，同时支持文件上传，能够扫描读取各类文件及图片中的文字内容。对于已有的文本内容，Deepseek能够进行润色、修改和校对，提升文本的质量和可读性。起源：Deepseek的概念最初源于对自然界

相似性搜索是向量数据库的核心功能。与传统的精确匹配不同，相似性搜索允许用户找到与查询向量在某种程度上相似的数据点。这在推荐系统、图像检索、语音识别等领域具有广泛应用。例如，在电商平台上，用户可以通过上传一张图片来搜索相似的商品；在社交媒体中，系统可以根据用户的兴趣向量推荐相似的内容。传统库：比文字长得像；向量库：比意思长得像。RAG 本质是语义检索 + 大模型生成，没有向量数据库，就做不了真正的语