Langchain 消息与提示词模板

ctlover2026-10-18 21:06

1.认识消息

大模型没有记忆，它的输出只和模型输入有关；很多大模型 API 服务也没有在服务端维护会话历史，是 "无状态"的；因此，如果应用需要"记住"会话历史，就需要在程序中维护消息列表

在 Langchain 中，Message（消息）是模型交互的基础单元

注意：

  • 每一轮与大模型的对话，都由一条或多条 Message 构成
  • 每个 Message 不仅包含文字内容（content） ，还携带描述上下文状态的元信息（metadata） ，用于保持对话的一致性和可追踪性。比如，模型在多轮交互中理解"谁在说话"、"说了什么"、"这条信息属于哪一轮对话"

LangChain 在 1.0 中提供了**跨模型统一的 Message 标准；**无论使用的是 OpenAI、Anthropic、Gemini 还是本地模型，这一标准都能保持一致的行为。好处：

  • 兼容性强：不同模型的消息格式自动对齐。
  • 可扩展性高：方便添加多模态内容或自定义字段。
  • 可追踪性好：为 LangSmith 等调试工具提供一致的上下文数据结构。

1.1 消息的结构

LangChain 的消息（Message）对象包含三种字段：

  • Role：消息所属的角色或类型，有四类角色： system、user、assistant，tool
  • Content：消息的文本内容
  • Metadata：（可选）元数据，存储额外信息。如：消息 ID、响应时间、token 消耗量、消息标签等

1.2 消息的类型

LangChain 的消息类型通过 role 区分，常用的有四种：

1、系统消息

系统提示词，用于在对话开始时为模型设定角色、行为准则和上下文背景

复制代码 
{"role": "system", "content": "你是个精通编程的软件架构师"}

2、用户消息

用户提示词，在多轮对话中，它**表示用户的一次输入；**可以包含简单的文本问题，也可以是复杂的多模态内容（如图片、音频、文档等）

复制代码 
{"role": "user", "content": "你好啊~"}

3、助手 (AI) 消息

模型的回复，包括生成的文本、工具调用、元数据等

复制代码 
{"role": "assistant", "content": "我也很高兴认识你"}

4、工具调用信息

工具调用结果匹配的消息类型。将此消息返回给模型，让模型基于这个结果继续生成回复。

复制代码 
{"role": "tool", "content": "今天天气很好", "tool_call_id":
"call_00_nUD2NC9QRN5Cg1GaoIkBJQ4s"}

1.3 消息的格式

LangChain支持两种消息格式

格式1：JSON格式

复制代码 
{"role": "system", "content": "你是个善解人意的助手",
 "role": "user", "content": "你好啊~",
 "role": "assistant", "content": "我也很高兴认识你",
 "role": "tool", "content": "<工具输出>", "tool_call_id":
 "call_00_nUD2NC9QRN5Cg1GaoIkBJQ4s"
}

格式2：对象格式

复制代码 
SystemMessage(content="你是个善解人意的助手")

HumanMessage(content="你好啊~")

AIMessage("我也很高兴认识你")

ToolMessage(
content="<工具输出>",
tool_call_id="call_00_nUD2NC9QRN5Cg1GaoIkBJQ4s" # 一定要和AI消息中的调用ID匹
配
)

小结：

1.4 消息对象字段说明

1.4.1 SystemMessage

content：消息内容，字段名可省略

复制代码 
SystemMessage("你好")
SystemMessage(content = "你好")

1.4.2 HumanMessage

content：消息内容，字段名可省略

metadata：元数据字段，不限数量，自定义

复制代码 
HumanMessage(
    content="你好",
    name="朱丽叶",
    id="985"
)

name 和 id 都属于元数据字段，当消息类型相同，对消息进行区分。但不是所有模型都支持这一功 能，是否支持取决于模型供应商

1.4.3 AIMessage

content：消息内容，字段名可省略

response_metadata ：AIMessage 特有属性，LLM的响应中附加元数据，根据不同模型会有不同，如 可能会包含本次token使用量等信息

tool_calls ：AIMessage特有属性，表示**工具调用信息；**当LLM决定调用工具时，在 AIMessage 中就会包含这个属性，没有工具调用则为空，结构如下：

复制代码 
tool_calls=[
    {
        'name': 'get_weather', // 应调用的工具名
        'args': {'city': '杭州'}, // 调用工具的参数
        'id': 'call_00_gIXYOD1Q1OkEXmdDBqXR1578', // 工具调用的唯一标识ID
        'type': 'tool_call'
    },
    {
        'name': 'get_news',
        'args': {},
        'id': 'call_01_jD3phD5PEaIZf0mVLhKt0861',
        'type': 'tool_call'
    }
]

注意：tool_calls 属性是一个 ToolCall 列表，每个 ToolCall 是一个字典，其包含字段如上

usage_metadata：用量信息

1.4.4 ToolMessage

content：消息内容，字段名可省略

name：工具名称

tool_call_id ：工具调用唯一 ID，ToolMessage 必须紧邻匹配的 AIMessage，和前者 tool_calls 中的 id 一致

复制代码 
ToolMessage(
    content="<工具输出>",
    name="get_weather"
    tool_call_id="call_00_nUD2NC9QRN5Cg1GaoIkBJQ4s" # 一定要和AI消息中的调用ID匹配
)

1.5 消息属性：content、content_blocks

1.5.1 content

消息的content 可以理解为数据内容，它是弱类型，支持字符串和列表（列表元素通常为字典）

注意：

  • 如果只是纯文本内容，直接传递字符串就可以
  • 当 content 内容只有字符串时，可以省略参数名称

如果需要发送多模态内容，则需要 content 的字典列表形式

案例：

复制代码 
import base64
from langchain.chat_models import init_chat_model
from langchain.messages import SystemMessage, HumanMessage, AIMessage
from dotenv import load_dotenv
import os

# 将本地图片转换为base64编码的Data URI字符串
def encode_image(img_path, img_type='jpeg'):
    """
    将一张本地图片转换成 Base64 编码的 Data URI 字符串,方便在文本中嵌入图片数据
    """
    with open(img_path, "rb") as f:
        return f"data:image/{img_type};base64,{base64.b64encode(f.read()).decode('utf-8')}"

# 1.加载环境变量
load_dotenv(override=True)
api_key=os.getenv("BAILIAN_API_KEY")
base_url=os.getenv("BAILIAN_API_BASE")

# 2.模型初始化
llm = init_chat_model(
    model_provider="openai",  # 模型提供商
    model="deepseek-v4.1-flash",  # 模型名称
    api_key=api_key,
    base_url=base_url
)

# 3.获取图像base64编码字符串
# 3.1 图像路径
img_path = "./Data/博客封面.jpg"
# 3.2 获取图像base64编码字符串
base64_image = encode_image(img_path, img_type='jpeg')

# 4.调用模型
response = llm.invoke([
    HumanMessage(
        content=[
            {
                'type': 'text', 
                'text': '这张图里有什么？'},
            {
                'type': 'image_url',
                "image_url": base64_image,
            }
        ]
    )
])

print(response.content)

1.7.2 content_blocks

在 LangChain 1.2 版本中，新增了 content_blocks属性，可以将 content 解析为标准、类型安全的表示

  • 数据结构 ：它是一个 list[TypedDict]

  • 统一格式 ：每个 block 都有一个 type 字段，用于区分内容类型

  • 支持类型 ：包括 text（文本）、image（图片）、audio（音频）、video（视频）、tool_call（工具调用）以及 reasoning（推理 / 思维链）

支持的字段类型详见： Messages - Docs by LangChain

① 输入格式化

对于复杂的对话（带图片或工具结果），建议使用 content_blocks 列表形式构建 HumanMessage 或 AIMessage

案例：

复制代码 
import base64
from langchain.chat_models import init_chat_model
from langchain.messages import SystemMessage, HumanMessage, AIMessage
from dotenv import load_dotenv
import os

# 将本地图片转换为base64编码的Data URI字符串
def encode_image(img_path, img_type='jpeg'):
    """
    将一张本地图片转换成 Base64 编码的 Data URI 字符串,方便在文本中嵌入图片数据
    """
    with open(img_path, "rb") as f:
        return base64.b64encode(f.read()).decode("utf-8")

# 1.加载环境变量
load_dotenv(override=True)
api_key=os.getenv("BAILIAN_API_KEY")
base_url=os.getenv("BAILIAN_API_BASE")

# 2.模型初始化
llm = init_chat_model(
    model_provider="openai",  # 模型提供商
    model="deepseek-v4.1-flash",  # 模型名称
    api_key=api_key,
    base_url=base_url
)

# 3.获取图像base64编码字符串
# 3.1 图像路径
img_path = "./Data/博客封面.jpg"
# 3.2 获取图像base64编码字符串
base64_image = encode_image(img_path, img_type='jpeg')

# 4.调用模型
response = llm.invoke([
    HumanMessage(
        content_blocks=[
            {
                'type': 'text', 
                'text': '这张图里有什么？'},
            {
                'type': 'image',
                'base64': base64_image,
                'mime_type': 'image/jpeg'
            }
        ]
    )
])

print(response.content)

② 输出格式化

content_blocks 提供了统一的输出格式 ，可以将不同格式的响应统一为标准格式

输出：

注意：content_blocks是 懒加载 的，即调用时才会解析

2. 提示词模板

使用 LangChain 提供 ChatPromptTemplate 类

案例：

复制代码 
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import os
from rich import print as rprint
from langchain_core.prompts import ChatPromptTemplate

# 1.加载配置信息
load_dotenv(override=True)  # 加载.env文件中的环境变量
api_key = os.getenv("DEEPSEEK_API_KEY")  # 获取DEEPSEEK_API_KEY环境变量
base_url = os.getenv("DEEPSEEK_API_BASE")  # 获取DEEPSEEK_API_BASE环境  

# 2.初始化模型
llm = init_chat_model(
    model_provider="openai",  # 模型提供商
    model="deepseek-flash",  # 模型名称
    api_key=api_key,  # API Key
    base_url=base_url,  # API Base URL
)

# 3.调用模型
prompt_template = ChatPromptTemplate([
("system", "你是一个AI开发工程师. 你的名字是 {name}."),
("human", "{user_input}")
])
#调用format()方法，返回字符串
prompt = prompt_template.invoke({"name":"小谷AI", "user_input":"你能帮我做什么?"})
rprint(prompt)

结果如下：

2.1 ChatPromptTemplate 的使用

ChatPromptTemplate 是创建消息列表的提示模板，支持 System / Human / AI 等不同角色的消息模板

2.1.1 两种实例化方式

ChatPromptTemplate 可以通过初始化方法 或 from_messages 方法来实例化提示词模板，实例化 时需要传入 messages 参数。常见类型是：tuple构成的列表，参数类型（role : str，content : str ）

方式1(推荐)：调用 from_messages（）

该方法允许传入一个由元组（Tuple）构成的列表，列表中的每一个元组都代表一条具有特定角色的消息

案例：

复制代码 
# 导入相关依赖
from langchain_core.prompts import ChatPromptTemplate
# 定义聊天提示词模版
chat_template = ChatPromptTemplate.from_messages(
[
    ("system", "你是一个有帮助的AI机器人，你的名字是{name}。"),
    ("human", "你好，最近怎么样？"),
    ("ai", "我很好，谢谢！"),
    ("human", "{user_input}"),
]
)
# 格式化聊天提示词模版中的变量
prompt = chat_template.invoke({"name":"小明", "user_input":"你叫什么名字？"})
# 打印格式化后的聊天提示词模版内容
print(prompt)

注意：from_messages()的底层，也是调用的类的 __init( )__方法

方式2：使用实例初始化方法

复制代码 
from langchain_core.prompts import ChatPromptTemplate
#参数类型这里使用的是tuple构成的list
prompt_template = ChatPromptTemplate([
# 字符串 role + 字符串 content
    ("system", "你是一个AI开发工程师. 你的名字是 {name}."),
    ("human", "你能开发哪些AI应用?"),
    ("ai", "我能开发很多AI应用, 比如聊天机器人, 图像识别, 自然语言处理等."),
    ("human", "{user_input}")
])
#调用invoke()方法，返回ChatPromptValue
prompt = prompt_template.invoke({"name":"小谷AI", "user_input":"你能帮我做什么?"})
print(prompt)

2.1.2 模型调用的三种方式

方式1：使用 invoke（）

返回 ChatPromptValue

方式2：使用 format（）

返回字符串

注意：format（）要使用关键字传参

方式3：使用 format_messages（）

返回消息列表

2.1.3 案例

复制代码 
from urllib import response

from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import os
from rich import print as rprint
from langchain_core.prompts import ChatPromptTemplate

# 1.加载配置信息
load_dotenv(override=True)  # 加载.env文件中的环境变量
api_key = os.getenv("BAILIAN_API_KEY")  # 获取BAILIAN_API_KEY环境变量
base_url = os.getenv("BAILIAN_API_BASE")  # 获取BAILIAN_API_BASE环境  

# 2.初始化模型
llm = init_chat_model(
    model_provider="openai",  # 模型提供商
    model="deepseek-v4.1-flash",  # 模型名称
    api_key=api_key,  # API Key
    base_url=base_url,  # API Base URL
)

# 3.调用模型
# 3.1 定义聊天提示词模版
chat_template = ChatPromptTemplate([
    ("system", "你是一个精通Python编程与AI的机器人,你的名字是{name}"),
    ("human", "{user_input}")
])
prompt = chat_template.format(name="小彤AI", user_input="你能帮我做什么?")

# 3.2 调用模型
response = llm.invoke("什么是面向对象编程？")
print(response.content)

2.1.4 更丰富的初始化参数类型

不管使用实例初始化方法，还是使用 from_messages()，参数类型都是列表类型 ，列表中的元素可以是多种类型

源码如下：

结论：参数是列表类型，列表的元素可以是字符串、字典、字符串构成的元组、消息类型、提示词模板类型、消息提示词模板类型等

类型1：str 列表类型

列表参数格式是 str 类型（不推荐），因为默认角色都是 human

复制代码 
#1.导入相关依赖
from langchain_core.prompts import ChatPromptTemplate
# 2.定义聊天提示词模版
chat_template = ChatPromptTemplate.from_messages(
[
    "Hello, {name}!" # 等价于 ("human", "Hello, {name}!")
]
)
# 3. 使用invoke执行
messages = chat_template.invoke({"name":"小谷AI"})
# 4.打印格式化后的聊天提示词模版内容
print(messages)

类型2：tuple列表类型

列表参数格式是元组类型

复制代码 
#1.导入相关依赖
from langchain_core.prompts import ChatPromptTemplate
# 2.定义聊天提示词模版
chat_template = ChatPromptTemplate.from_messages(
[
    ("human", "Hello, {name}!")  
]
)
# 3. 使用invoke执行
messages = chat_template.invoke({"name":"小谷AI"})
# 4.打印格式化后的聊天提示词模版内容
print(messages)

类型3：dict列表类型

列表参数格式是 dict 类型

复制代码 
#1.导入相关依赖
from langchain_core.prompts import ChatPromptTemplate
# 2.定义聊天提示词模版
chat_template = ChatPromptTemplate.from_messages(
[
    {"role":"system", "content":"你是一个精通Python编程与AI的机器人,你的名字是{name}"},
    {"role":"human", "content":"{user_input}"}
]
)
# 3. 使用invoke执行
messages = chat_template.invoke({"name":"小谷AI", "user_input":"什么是面向对象编程?"})
# 4.打印格式化后的聊天提示词模版内容
print(messages)

类型4：Message列表类型

复制代码 
#1.导入相关依赖
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.messages import SystemMessage, HumanMessage
# 2.定义聊天提示词模版
chat_template = ChatPromptTemplate.from_messages(
[
    SystemMessage(content="你是一个精通Python编程与AI的机器人,你的名字是{name}"),
    HumanMessage(content="{user_input}")
]
)
# 3. 使用invoke执行
messages = chat_template.invoke({"name":"小谷AI", "user_input":"什么是面向对象编程?"})
# 4.打印格式化后的聊天提示词模版内容
print(messages)

注意：在 Message 中不能有占位符

类型5：MessagePromptTemplate列表类型

LangChain提供不同类型的MessagePromptTemplate。

最常用的是 SystemMessagePromptTemplate、 HumanMessagePromptTemplate 和 AIMessagePromptTemplate ，分别创建系统消息、人工消息和AI消息

HumanMessagePromptTemplate，专用于生成用户消息（HumanMessage） 的模板类

  • 模板化：支持使用变量占位符，可以在运行时填充具体值
  • 格式化：能够将模板与输入变量结合生成最终的聊天消息
  • 输出类型：生成 HumanMessage 对象（content + role="human"）
  • 设计目的：简化用户输入消息的模板化构造，避免重复定义角色

SystemMessagePromptTemplate、AIMessagePromptTemplate 类似

案例：

复制代码 
#1.导入相关依赖
from langchain_core.prompts import ChatPromptTemplate, SystemMessagePromptTemplate, HumanMessagePromptTemplate
from langchain_core.messages import SystemMessage, HumanMessage
# 2.定义聊天提示词模版
# 2.1 定义系统消息提示词模版
system_message_prompt = SystemMessagePromptTemplate.from_template("你是一个精通Python编程与AI的机器人,你的名字是{name}")
# 2.2 定义用户消息提示词模版
human_message_prompt = HumanMessagePromptTemplate.from_template("{user_input}")
# 2.3 组合模板
chat_template = ChatPromptTemplate.from_messages(
[
    system_message_prompt,
    human_message_prompt
]
)
# 3. 使用invoke执行
messages = chat_template.invoke({"name":"小谷AI", "user_input":"什么是面向对象编程?"})
# 4.打印格式化后的聊天提示词模版内容
print(messages)

类型6：BaseChatPromptTemplate列表类型

使用 BaseChatPromptTemplate，可以理解为 ChatPromptTemplate 里嵌套了 ChatPromptTemplate

复制代码 
#1.导入相关依赖
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.messages import SystemMessage, HumanMessage

# 2.定义聊天提示词模版
# 2.1 定义系统消息提示词模版
system_message_prompt = ChatPromptTemplate([
    ("system", "你是一个精通Python编程与AI的机器人,你的名字是{name}")
])
# 2.2 定义用户消息提示词模版
human_message_prompt = ChatPromptTemplate([
    ("human", "{user_input}")
])
# 2.3 组合模板
chat_template = ChatPromptTemplate.from_messages(
[
    system_message_prompt,
    human_message_prompt
]
)
# 3. 使用invoke执行
messages = chat_template.invoke({"name":"小谷AI", "user_input":"什么是面向对象编程?"})
# 4.打印格式化后的聊天提示词模版内容
print(messages)

2.2 高级特性

2.2.1 部分变量预填充：partial（）

预填充某些固定不变的变量，创建模板的变体

使用场景：

  • 某些变量在所有调用中都相同
  • 需要为不同用户/场景创建定制模板

案例如下：

复制代码 
#1.导入相关依赖
from os import name

from langchain_core.prompts import ChatPromptTemplate
# 2.定义聊天提示词模版
chat_template = ChatPromptTemplate.from_messages(
[
    {"role":"system", "content":"你是一个精通Python编程与AI的机器人,你的名字是{name}"},
    {"role":"human", "content":"{user_input}"}
]
)
chat_template_partial = chat_template.partial(name="小谷AI")

# 3. 使用invoke执行
messages = chat_template_partial.invoke({"user_input":"什么是面向对象编程?"})
# 4.打印格式化后的聊天提示词模版内容
print(messages)

2.2.2 消息占位符

当不确定消息提示模板使用什么角色，或者希望在格式化过程中插入消息列表时，需要使用消息占位符，负责在特定位置添加消息列表

使用场景：多轮对话系统存储历史消息以及Agent的中间步骤处理此功能非常有用

使用方式：

方式1：JSON形式

复制代码 
#1.导入相关依赖
from os import name

from langchain_core.prompts import ChatPromptTemplate
# 2.定义聊天提示词模版
chat_template = ChatPromptTemplate.from_messages(
[
    {"role":"system", "content":"你是一个精通Python编程与AI的机器人,你的名字是{name}"},
    {"role":"human", "content":"{conversation}"}
]
)
chat_template_partial = chat_template.partial(name="小谷AI")

# 3. 使用invoke执行
messages = chat_template_partial.invoke({
    "conversation":
        [
            ("human", "你好，最近怎么样？"),
            ("ai", "我很好，谢谢！"),
            ("human", "你能帮我做什么？")
        ]

})
# 4.打印格式化后的聊天提示词模版内容
print(messages)

方式2：MessagesPlaceholder 实例

复制代码 
#1.导入相关依赖
from os import name
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

# 2.定义聊天提示词模版
chat_template = ChatPromptTemplate.from_messages(
[
    {"role":"system", "content":"你是一个精通Python编程与AI的机器人,你的名字是{name}"},
    MessagesPlaceholder("conversation")
]
)
chat_template_partial = chat_template.partial(name="小谷AI")

# 3. 使用invoke执行
messages = chat_template_partial.invoke({
    "conversation":
        [
            HumanMessage(content="你好，最近怎么样？")
        ]

})
# 4.打印格式化后的聊天提示词模版内容
print(messages)

2.2.3 可复用模板库

在实际项目中，推荐创建模板库：即创建一个 template.py 文件专门用来声明相关模板

举例如下：

复制代码 
from langchain_core.prompts import ChatPromptTemplate

class PromptTemplateLibrary:
    """
    可复用的提示词模板库
    """
    translator = ChatPromptTemplate([
        ("system", "你是专业翻译，精通{source_lang}和{target_lang}")
        ("user", f"请翻译以下文本:{user_input}")
    ])
    
    code_master = ChatPromptTemplate([
        ("system", "你是一位编程专家，精通编程语言:{code_language}")
        ("user", f"请回答以下问题:{user_input}")
    ])
    
    ...

然后在其他文件中使用：

复制代码 
from template import PromptTemplateLibrary
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import os
from rich import print as rprint

# 1.加载配置信息
load_dotenv(override=True)  # 加载.env文件中的环境变量
api_key = os.getenv("BAILIAN_API_KEY")  # 获取BAILIAN_API_KEY环境变量
base_url = os.getenv("BAILIAN_API_BASE")  # 获取BAILIAN_API_BASE环境  

# 2.初始化模型
llm = init_chat_model(
    model_provider="openai",  # 模型提供商
    model="deepseek-v4.1-flash",  # 模型名称
    api_key=api_key,  # API Key
    base_url=base_url,  # API Base URL
)

# 3.调用提示词模板
prompt = PromptTemplateLibrary.code_master.invoke({
    "code_language": "python",
    "user_input": "什么是面向对象编程?"
})

# 4.调用模型
response = llm.invoke(prompt)
print(response.content)

2.2.4 模板组合

将多个模板片段组合成复杂的提示词

方式1：字符串组合

复制代码 
# 定义可复用部分
role_part = "你是一个{domain}专家。"
style_part = "回答风格：{style}。"
constraint_part = "限制：{constraint}。"

# 组合
full_system = role_part + style_part + constraint_part

template = ChatPromptTemplate.from_messages([
    ("system", full_system),
    ("user", "{question}")
])

方式2：使用 + 运算符

复制代码 
template1 = ChatPromptTemplate.from_messages([
    ("system", "你是助手")
])
template2 = ChatPromptTemplate.from_messages([
    ("user", "{input}")
])
# 组合（LangChain 1.0 支持）
combined = template1 + template2
相关推荐
一千柯橘4 小时前
通过 langchain 开发一个很 small 的 agent 来了解基本流程 - py 版本
langchain
YIAN4 小时前
入门篇：LangGraph 入门实战：从零搭建最简单的 RAG 问答系统
javascript·langchain
YIAN4 小时前
高级篇：进阶多跳 RAG：子问题拆解 + 循环检索 + 智能规划，搞定复杂链式问题
javascript·langchain
YIAN4 小时前
前置篇：手把手用 Milvus + LangChain 搭建小说向量知识库，《天龙八部》EPUB 一键入库
javascript·langchain
YIAN4 小时前
进阶篇：RAG 优化第一步：给你的问答系统加上智能路由，实现双分支分流
javascript·langchain
Shockang5 小时前
LangChain 智能体治理实战：预算、权限与故障恢复
langchain
一木 之林8 小时前
LangChain 第9章 RAG 与项目实战：文档切分、嵌入、Milvus 与客服知识库
人工智能·计算机视觉·langchain·milvus
haluhalu.10 小时前
深入理解 AI Agent（1.2）：Harness 工程——模型之外的竞争力
前端·数据结构·人工智能·python·langchain·个人开发
小何好运暴富开心幸福10 小时前
LangChain 与 LangGraph 核心要点总结
深度学习·语言模型·langchain·知识图谱
热门推荐
01国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）02「全语录+省流版」邵艾伦 × 孙宇晨：聊风口、聊个人IP、聊年轻人如何抓住 AI 时代的机会03GitHub 镜像站点04如何新建文件夹？ 电脑新建文件夹的4种方法05历年考研数学一、数学二、数学三真题试卷及答案PDF06几个好用的ip纯净度检测网站07蜘蛛磁力 搜索引擎大全，如何使用蜘蛛磁力查找磁力链接08Telegram APK 下载安装完整指南 — 2026年最新09苹果iPA游戏软件资源下载网站10Windows 10/11 如何退出微软账户并改用本地账户登录（含找不到选项的解决方法）