LangChain是由哈佛大学哈里森·蔡斯于2022年10月发起的开源框架，专门用于开发基于大语言模型的应用程序。它支持构建各种AI应用，包括智能体、问答系统、对话机器人、文档搜索系统、企业私有知识库等。如果用类比的手法来说，LangChain之于大模型，正如Spring之于Java生态、Django/Flask之于Python开发。它提供了标准化的抽象层，让开发者能够专注于业务逻辑而非底层实现细

在前面的系列文章中，我们探讨了 LangChain 的基础记忆模块以及如何通过窗口限制方法（如）来管理内存。我们发现，完整保存所有对话历史（）会迅速消耗大量内存和 Token，而简单地按对话条数或 Token 数量进行“硬截断”又可能丢失关键的上下文信息。有没有一种两全其美的方法，既能节省宝贵的内存资源，又能确保对话的核心信息不丢失呢？答案是肯定的。摘要式记忆。和。想象一下，你不需要记住每一次对话

接下来，我们需要定义可用的工具，并将其转换为大模型能够理解的格式。# 1. 定义我们的工具列表# 2. 将工具转换为大模型能理解的 "Function" 格式我们首先定义一个工具列表。是 Langchain 内置的一个工具，它可以执行移动文件的操作。在实际应用中，这里可以是我们自定义的任何函数，例如send_email等。这是至关重要的一步。为什么需要转换？大模型本身并不直接“运行”Python的

想象一下，你正在和 ChatGPT 聊天：你：我叫小明，今年25岁。AI：你好小明~很高兴认识你。你：我今年多大了？AI：你今年25岁。看起来 AI 记住了你的年龄信息，但真相可能会让你惊讶 —— 大语言模型本身其实没有记忆能力。他就像一个每次见面都会失忆的朋友，模型每次接收你的问题时，都是与你的初遇。那它为什么能回答出你的年龄呢？答案，是有人在背后偷偷把你们之前的对话的信息，塞给了大模型。它的其

想象一下工厂里的流水线：第一道工序完成了零件的初步加工，然后将其传递给第二道工序进行组装，最后再交给第三道工序进行质检。顺序链就是 LLM 应用中的“流水线”，它允许我们将多个独立的“链”（Chains）或者“语言模型调用”（LLM Calls）按照预定的顺序连接起来。顺序链是 LangChain 中组织和编排 LLM 任务的基本构件。通过将简单的调用组合成强大的工作流，我们可以让 AI 完成远超

Prompt Template 是 LangChain 框架中的核心概念之一，它的作用是接收用户的动态输入，通过模板渲染生成最终传递给大语言模型（LLM）的提示词。# 在创建时就固定某些变量template="你是一个{role},你的名字叫{name}",partial_variables={"name": "小智"}# 或结合 from_template() 方法template="你是一个{

当然，类似 LangChain 的框架还有如 SK（Semantic Kernel）、LlamaIndex 以及 AutoGPT，其各有优势点，但整体生态不如 LangChain，故读者若有更多兴趣，可了解下这些框架。总而言之，LangChain 通过其模块化架构和丰富的集成能力，显著简化了大模型应用的基础设施搭建复杂性，让开发者能够专注于业务逻辑而非底层技术实现。LangChain 作为一个专门

LangChain是由哈佛大学哈里森·蔡斯于2022年10月发起的开源框架，专门用于开发基于大语言模型的应用程序。它支持构建各种AI应用，包括智能体、问答系统、对话机器人、文档搜索系统、企业私有知识库等。如果用类比的手法来说，LangChain之于大模型，正如Spring之于Java生态、Django/Flask之于Python开发。它提供了标准化的抽象层，让开发者能够专注于业务逻辑而非底层实现细

Ollama 是 GitHub 上的一个明星开源项目，其定位是一个本地运行大模型的集成框架。主要针对主流的 Llama 架构开源大模型设计，完美支持 Qwen、DeepSeek、Llama、Mistral 等热门模型。实现模型下载、启动和本地运行的全自动化流程，完全脱离复杂配置。支持 macOS、Linux、Windows 三大主流操作系统。虽然 Ollama 为本地大模型部署提供了极大便利，我们

在实际应用中，我们经常会遇到这样的场景：提示词模板中的消息类型和数量不确定，或者需要在运行时动态插入一系列历史对话。MessagePlaceholder 就是为解决这类问题而设计的，它可以在提示词模板的特定位置插入消息列表。解决了动态消息插入的问题系列让少量样本学习变得简单实现了智能示例选择，优化性能和效果掌握这些工具，可以帮助我们构建更加智能、高效的大语言模型应用。在实际项目中，建议根据具体场景