Q: LangChain dify coze是竞品关系 都是AI Agent搭建平台，dify和coze
属于低代码，langChain属于高代码，coze优于dify
Q：向量数据库是存储向量，做相似度检索的，可以用faiss milvus chromdb
Q：使用AI编程，要有清晰的逻辑思维，把这个思维告诉给AI
Q: LangChain, LangGraph是一家，LangGraph是前者的升级版本 能力更强，
前者的工作流是线性的，后者的工作流更加复杂
LangChain：提供了一套工具、组件和接口，简化了创建LLM应用的过程。
LangChain由多个组件组成；
1 Models：模型，比如 GPT-4o， Qwen
2 Prompts：提示，包括提示管理、提示优化和提示序列化
3 Memory：记忆，用来保存和模型交互时的上下文
4 Indexes：索引，用于结构化文档，方便和模型交互，如果要构建自己的知
识库，就需要各种类型文档的加载 转换 长文本切割 文本向量计算，向量索
引存储查询等
5 Chains:链 一系列对各组件的调用
6 Agents：代理，决定模型采取哪些行动，执行并且观察流程，直到完成为止
Agent的作用
Agent决定调用哪些工具完成用户的需求，以及工具的调用顺序
LangChain中集成了很多了常用的tools（工具），也可以调用自己的工具
Tool工具
serpapi 搜索引擎
1lm-math 给Agent提供数学计算
示例：问当前北京的温度是多少华氏度，这个温度的1/4是多少?
Thinking：Agent需要哪些tools?
Serpapi 搜索当前北京的温度
1lm-math 计算这个温度的1/4 如果不调用数学工具 大模型在计算上可能会回答错误
Memory 记忆
大模型的记忆空间一般是32K，大的是128K，是有限的
LangChain中的几种短期记忆方式：
1 BufferMemory
将之前的对话完全存储下来，传给LLM，但大模型的记忆空闲有限
适用：对话不多时
2 BufferWindowMemory
最近的K组对话存储下来，传给LLM
适用：对话很多 但希望简单的处理方式时
3 ConversionMemory
把对话进行摘要，将摘要存储在内存中，相当于将压缩过的历史对话传给LLM
适用：对话很多 要用全部历史对话 就快速压缩
4 VectorStore-backed Memory 将之前所有对话通过向量存储到VectorDB
（向量数据库）中，每次对话，会根据用户的输入信息，匹配向量数据库中最相
似的K组对话
适用：对话很多 要精细化做对话查找时
Agent设计
AGENT_TMPL="""按照给定的格式回答一下问题，你可以使用下面这些工
具：
(tools}
回答时需要遵循以下用--括起来的格式：
Question：我需要回答的问题
Thought：回答这个上述问题我需要做些什么
Action:"(tool name)"中的一个工具名
Action Input:选择这个工具所需要的输入
Observation：选择这个工具返回的结果
...（这个 思考/行动/行动输入/观察 可以重复N次，N不超过5）
Thought：我现在知道最终答案
Final Ansser：原始输入问题的最终答案
现在开始回答，记得在给出最终答案前，需要按照指定格式进行一步一步的推
理。
Question:{input}
{agent_scratchpad)
"""
Q：如何创建个人的知识库，并可以智能问答?
-
Tool
不同的需求，调用不同的Too1，根据query和 tool description之间的匹
配进行调用
几乎任何功能都能封装成tool，比如查天气，查新闻，计算数学题
-
RAG
query=>与 RAG中的chunk进行相似度的匹配（基于embedding）=> 取Top5的chunk 给到LLM进行回答
RAG的常用场景有智能客服，问答
Q: LangChain更早的提出了Tool调用
Q：选择一个框架时，主要看框架给提供的工具全不全，推荐langchain coze
Q：Function Call里面可以调用别的api查询吗?
A：是的，比如可以在Function Call中，使用 Claude写代码
Q： tool是agent的一部分吗?
A：是的，agent是全集，是组装工厂，在工厂里面tool是重要的一个环节
Q：最终项目落地可以用coze吗?
A：如果不考虑数据安全问题，可以用coze或者 使用coze本地私有化部署的版
ReAct范式(Reason- Action)
大模型的推理方式，大模型回答问题是一步一步的逼近答案的，不断地思考 运行 观察，是一个思考模型，指示大模型如何工作：
思考=>Action Action Input=>观察>思考
适用于有一定复杂程度的问题，让AI自己进行探索求解
@5-product_llm.py 帮我使用LangChain中的ReAct模式简化这个代码，写
到6-product_llm.py
fewshot: 小样本的示例，给到大模型作为RAG的上下文知识，做错题本
Q：怎么保证调用工具后回答内容的安全性?比如问怎么造炸弹?
做一个安全审核工具，在回答前先审核
Q：ReAct的实现过程：（大模型的自我对话的过程）
=>我要完成XXX，我看到了{tool}，我可以选择某一个tool，传入 input
=>在代码中调用这个tool，传入相应的 tool input=>得到tool的 ouput
=>我要完成XXX，我看到了{tool}，我可以选择某一个tool，传入 input
...
Case 工具链组合
Q：推理模型幻觉大，可以用来头脑风暴，实际项目中用得比较少
Case 搭建故障诊断Agent
帮我搭建一个网络故障诊断类的Agent，工具之间存在串联，第一个工具的输出是第二个工具的输入；如果有10个工具的话，会有很多输入输出的关系。
希望Agent，在适当的时候调用适合的工具
可以参考 @1-simple toolchain.py编写新的python
Q：业务系统的日志，每小时上G的日志，有无好的分析办法?
Step1 先通过关键词定位位置 做个粗筛，再通过时间范围进行筛选
Step2 把有问题的日志整理起来 当文字量不是太大的情况下，可以让LLM进行解读
LECEL构建任务链
LECEL是lanchain 推出的链式表达式语言，支持用 ｜ 操作符将各类单元组合。每个 ｜ 左侧的输出会自动作为右侧的输入，实现数据流式传递。
优势：
代码简洁，逻辑清晰，易于多步任务编排
支持多分支 条件 并行等复杂链路
易于插拔 复用和调试每个子任务
典型用法：
串联：A ｜ B ｜ C，A的输出传给B， B的输出传给C。
分支：{"x": A, "y": B }, 并行执行A和B。
支持流式：如 .stream() 方法可边生成边消费。
AI Agent对比
工具 核心定位 适用性
LangChain 开源LLM应用开发框架 适用于外企 快速构建RAG 对话系统 工具调用等线性任务
LangGraph 升级的LangChain 基于图的循环和条件逻辑，支持多Agent协作 适用于外企的复杂任务
Qwen-Agent 通义千问的AI Agent框架 可快速构建RAG MCP等应用 适用于国外 作者推荐
Coze 和 Dify 适用于业务人员拖拉拽生成简单AI应用
AI Agent选择建议
无代码开发：Coze
快速原型开发：LangChain 或 Qwen-Agent
复杂Agent系统：LangGraph(多Agent协作) 或 Dify(API深度集成)
企业私有化：Dify(开源部署)，Qwen-Agent 或 LangChian+LangGraph(灵活组合)
Q：如何学习大模型？
A：
1 先找业务场景
2 选择适合的方案
方案1 RAG LangChain RAG方案
方案2 LangChain ReAct + Tool方案
3 实施
@之前的代码，描述现有的场景