本文介绍了LangChain中"附加OpenAI函数"和"附加OpenAI工具"的核心概念与应用。OpenAI模型具备函数调用能力，可以通过外部函数扩展其功能。LangChain通过这两种方式，将OpenAI的原生函数调用与自身链式流程结合。 "附加OpenAI函数"是将符合OpenAI格式的函数定义（包括名称、描述和参数）绑定到模型，使

摘要： LangChain的“附加函数”通过model.bind(functions=...)为LLM设定规则，实现两大核心功能： 结构化输出：强制LLM按预设格式（如JSON）生成数据，避免格式混乱。例如生成包含setup和punchline的笑话结构。 工具调用：让LLM输出外部工具（如天气API）所需的参数，实现功能扩展。 优势：相比提示词，附加函数能稳定输出机器可用的结构化结果，减少字段缺

本文介绍了如何使用LangChain表达式语言构建一个能够自主调用工具解决问题的Agent。重点讲解了Agent的5个核心组件：工具（Tools）、提示（Prompt）、模型（LLM）、输出解析器（OutputParser）和AgentExecutor。文章通过分步实操演示了如何定义工具、处理提示和格式、构建Agent链，并使用AgentExecutor运行Agent。最后，通过分析执行日志，展示

本文介绍了Agent如何利用XML格式和组件化流水线处理用户请求。XML作为固定格式的对话语言，确保模型输出能被解析器准确理解（如<tool>表示调用工具）。整个过程分为五个工位：1)输入处理，2)提示模板填充，3)模型思考判断，4)XML解析翻译，5)AgentExecutor总指挥循环执行流程。以查询纽约天气为例，展示了数据如何在各组件间流转，最终生成答案。关键点在于理解XML的格

本文详解了LangChain嵌入路由技术，通过语义相似性实现动态选择处理模板。核心步骤包括：安装依赖库、定义领域提示模板、生成嵌入向量、实现路由逻辑（基于余弦相似度匹配）和构建处理链。该方法利用嵌入向量和余弦相似性计算，使系统能根据问题语义自动选择最匹配的领域模板（如物理或数学），而非依赖关键词匹配。关键点在于保持嵌入模型一致性，确保模板语义区分度，从而通过向量空间计算实现准确路由。测试表明，该系

这篇文章详细讲解了一个简单的RAG（检索增强生成）实现案例，全程跟踪数据变化过程，适合初学者理解。核心目标是让AI基于单句外部文本“harrison worked at kensho”回答问题“where did harrison work？”。 主要步骤包括： 安装必要工具库 导入所需模块 准备外部文本并存入向量库 创建检索器查找相关文本 编写函数合并检索结果 设计提示模板指导AI回答 初始化A

摘要（149字）： 本文解析了对话式RAG中"跟进问题改写为独立问题"的核心逻辑。基础RAG无法处理含指代词（如"他/这个"）的跟进问题，因检索器缺乏上下文理解能力。解决方案分三步：1)定义改写提示模板，明确任务要求；2)将对话历史与跟进问题填充至模板；3)通过LLM生成不含指代词的独立问题（如"Harrison在哪工作？"）。改写后的问

新增2个功能：① 用自动存对话历史（不用每次传② 返回检索到的源文档（docs），显示回答来源。

这篇文章介绍了LangChain实现检索增强生成（RAG）的三种典型应用场景，包括基础RAG链、对话式RAG链和RAG问答链。主要内容包括：1）基础RAG链实现单次检索问答，通过向量库存储外部知识并检索相关文本；2）对话式RAG链支持处理对话历史，通过重写问题解决指代问题；3）RAG问答链实现多轮交互问答。文章通过详细的Python代码示例展示了各组件的使用方式，包括初始化向量库、构建检索器、设计

本文介绍了如何使用 LangChain 表达式语言构建 SQL 数据库查询链，实现从自然语言问题到 SQL 查询再到自然语言回答的自动化流程。核心步骤包括：1) 安装依赖并导入所需组件；2) 连接 Chinook 示例数据库并定义辅助函数；3) 构建生成 SQL 查询的链；4) 扩展为完整链，包含执行查询和生成自然语言回答。关键组件包括 SQLDatabase 工具、ChatOpenAI 模型和提