本文不使用 LangChain 封装好的记忆组件，而是通过自定义列表存储历史消息 + 消息占位符的方式，从零实现基础的对话记忆功能，代码简单易懂，适合入门学习。

本文将基于ChatMessageHistory从零实现对话记忆功能，不依赖高阶封装的记忆组件，详细拆解每一步实现逻辑，适合 LangChain 入门者理解记忆功能的底层原理，代码可直接复制运行，最终实现机器人记住对话上下文的效果。

RecursiveCharacterTextSplitter是最常用、最通用的选择，智能平衡语义和长度限制，适合大多数文本处理场景。从输出示例可以看出，它能较好地保持句子和段落的完整性。

本文将介绍如何使用LangChain的传统方式ReAct模式调用工具，通过一个实际的天气查询示例，展示如何结合Tavily搜索工具和DeepSeek模型构建智能助手。

本文将介绍如何使用LangChain的通用方式通过Function Call模式调用工具，以天气查询为例，展示如何结合Tavily搜索工具和DeepSeek模型构建智能助手。

使用python快速写一个 AI Agent ,并实现读取本地文件内容

AI中的Agent、Prompt、MCP与Function Calling：从简单对话到智能执行的发展过程

使用LangChain连接模型并获取回答,本文使用模型为DeepSeek(deepseek-chat)

ChatPromptTemplate是LangChain中用于构建对话式提示词的专用模板。相比普通的PromptTemplate，它能更好地处理多角色对话场景，支持System、Human、AI等多种消息类型。

在AI应用中，少样本学习（Few-Shot Learning）是一种强大的技术，它允许我们通过提供少量示例，让大语言模型快速学习新任务。LangChain提供了两种实现少样本学习的方式，本文将详细对比这两种方法。