本文介绍了LangChain应用级系统设计与RAG实践的核心内容，主要包括链式工作流设计和RAG系统构建两大模块。链式工作流包含线性链（顺序执行）、路由链（条件分发）和并行链（多任务执行）三种模式，通过Runnable组件实现流程编排。RAG系统构建包含文档加载、文本分割、向量存储和检索生成四个关键步骤，解决了大模型知识滞后和幻觉问题。文章详细阐述了异常处理机制（重试/捕获/降级）和检索策略（相似

本文介绍了LangChain三大核心组件的使用：模型调用（ChatOpenAI）、提示词模板（PromptTemplate）和输出解析（OutputParser）。通过管道符"|"串联这三个组件，可构建"输入可控、输出可预期"的智能体开发流程。重点包括：1）ChatModel与LLM的区别及多轮对话实现；2）提示词模板的参数化设计与少样本提示技巧；3）三种输

智能体系统摘要 智能体是能够通过传感器感知环境并自主采取行动以达成目标的实体，包含环境、传感器、执行器和自主性四大要素。智能体演进经历了从反射型到学习型的多个阶段，大语言模型(LLM)的出现赋予其规划推理、工具使用等新能力。智能体系统采用PEAS模型描述任务环境，运行机制遵循"感知-思考-行动-观察"的循环，通过Thought-Action-Observation交互协议实现决

本文介绍了智能体构建的两种经典范式：ReAct和Plan-and-Solve。ReAct通过"思考-行动-观察"循环动态完成任务，依赖LLM推理能力与工具调用的紧密结合；Plan-and-Solve则采用"先规划后执行"两阶段方法，适合结构化任务。文章详细阐述了两种范式的核心概念、工作原理、实现细节及注意事项，包括环境配置、工具设计、流程控制和常见问题解决方

本文介绍了LangChain与LangGraph框架的基础认知与开发入门。主要内容包括：1）区分两个框架的定位与互补关系，LangChain是基础设施工具箱，LangGraph是复杂流程架构框架；2）核心概念解析，重点强调LangGraph的状态机设计、节点编排等五大核心要素；3）环境搭建要点与代码模板，提供最简实现示例；4）三个底层核心（状态机、工具调用、多智能体协作）的初步认知。教程采用理论+

本文介绍了RAG（检索增强生成）流水线中的关键环节——数据加载与文本分块。在数据加载部分，详细对比了PyMuPDF4LLM、Unstructured等主流文档加载工具的特点和适用场景，重点讲解了Unstructured工具的多格式解析能力。文本分块部分阐述了固定大小分块、递归字符分块、语义分块等策略的原理及适用性，强调分块大小需适应模型限制并保持语义完整性。文章还分析了"块不是越大越好&

智能体系统摘要 智能体是能够通过传感器感知环境并自主采取行动以达成目标的实体，包含环境、传感器、执行器和自主性四大要素。智能体演进经历了从反射型到学习型的多个阶段，大语言模型(LLM)的出现赋予其规划推理、工具使用等新能力。智能体系统采用PEAS模型描述任务环境，运行机制遵循"感知-思考-行动-观察"的循环，通过Thought-Action-Observation交互协议实现决

本文介绍了智能体构建的两种经典范式：ReAct和Plan-and-Solve。ReAct通过"思考-行动-观察"循环动态完成任务，依赖LLM推理能力与工具调用的紧密结合；Plan-and-Solve则采用"先规划后执行"两阶段方法，适合结构化任务。文章详细阐述了两种范式的核心概念、工作原理、实现细节及注意事项，包括环境配置、工具设计、流程控制和常见问题解决方

本文介绍了RAG（检索增强生成）流水线中的关键环节——数据加载与文本分块。在数据加载部分，详细对比了PyMuPDF4LLM、Unstructured等主流文档加载工具的特点和适用场景，重点讲解了Unstructured工具的多格式解析能力。文本分块部分阐述了固定大小分块、递归字符分块、语义分块等策略的原理及适用性，强调分块大小需适应模型限制并保持语义完整性。文章还分析了"块不是越大越好&

🔗教程链接https://datawhalechina.github.io/hello-agents/#/