langchain

【LangChain入门 6 Chain组件】单链和多链| 为关键字，使用 | 作为链接符号LLMChain 是 LangChain 中最基本且最常用的链式结构，广泛应用于 LangChain 的其他复杂链和代理程序中。它由以下两个主要部分组成：

LangChain Chat Model学习笔记创建一个简单的提示模板，用于在生成时向模型提供示例输入和输出。向LLM提供少量这样的示例被称为少量示例，这是一种简单但强大的指导生成的方式，在某些情况下可以显著提高模型性能。少量示例提示模板可以由一组示例或一个负责从定义的集合中选择一部分示例的示例选择器类构建。配置一个格式化程序，将少量示例格式化为字符串。这个格式化程序应该是一个PromptTemplate对象。

大模型实现sql生成 --- 能力不足时的retry最近做了一个大模型demo，自动生成sql，获取数据然后在前端页面画图。这个demo的核心就是大模型生成sql的准确性，后面的都是常规前后端。

使用LangChain实现基于LLM和RAG的PDF问答系统本文将介绍 LLM 和 RAG 的基本概念，并通过一个实际的代码示例，展示如何使用 LangChain 构建一个基于 PDF 文档的问答系统。

检索增强生成RAG with LangChain、OpenAI and FAISS参考：RAG with LangChain — BGE documentationAPI keys - OpenAI APIhttps://platform.openai.com/api-keys

手撸一个 deepseek 聊天历史对话、多轮对话（ollama + deepseek + langchain + flask）为了让聊天更加智能化，体验更好，打算搞个聊天历史对话，让 deepseek 可以结合上下文回答。先看下 chat_history.db 的表结构

AI 重要概念科普与热门技术解析AI时代已经扑面而来，普通人如果对相关概念还不甚了解的话，未来可能要活在与AI竞争的世界里。举个简单例子，AI会把人类的优秀诗歌直接吸收再给出一个至少80到90分输出，这直接拉高了此类文字输出的水平下限，其他行业同样如此。庆幸的是，人类还是拥有感知世界的能力（未来的具身智能也将是这个方向），这是AI目前所不具备的。人类要掌握自己的命运，就要掌握AI的技术应用及其原理，让AI服务于人，而不是被AI反噬。🐶！扯得有点远了，ok，先了解一下AI相关的基础概念吧！

【GPT入门】第20课 langchain的function calling 初步体验query = “3 加 4的和的 5 倍是多少？” 这个会调用两次函数 query = " 4的 5 倍是多少？"

黑夜无路人

langchain如何并行调用运行接口RunnableParallel 原语本质上是一个字典，其值是运行接口（或可以被强制转换为运行接口的事物，如函数）。它并行运行所有值，并且每个值都使用 RunnableParallel 的整体输入进行调用。最终返回值是一个字典，包含每个值在其适当键下的结果。

张高兴的大模型开发实战：（二）使用 LangChain 构建本地知识库应用检索增强生成（Retrieval-Augmented Generation，RAG）是一种优化大型语言模型输出的方法，允许模型在生成回答前，从外部知识库中检索相关信息，而非仅依赖模型内部训练的知识。通过引用外部知识库的信息来生成更准确、实时且可靠的内容，并解决知识过时和幻觉的问题。下面将介绍使用 LangChain 和 Ollama 实现一个本地知识库应用。

【GPT入门】第22课 langchain LCEL介绍LCEL 即 LangChain Expression Language，是 LangChain 推出的一种声明式语言，用于简化和优化在 LangChain 框架内构建复杂链和应用的过程。以下详细介绍其特点和作用：特点声明式语法：传统的链式操作构建方式可能需要编写较多的代码和复杂的逻辑，而 LCEL 使用简洁的声明式语法，让开发者能够以一种直观的方式描述数据在各个组件之间的流动。例如，使用 | 操作符来连接不同的组件，就像搭积木一样轻松组合各个模块，大大提高了代码的可读性和可维护性。易于组合：支持将

LangChain教程 - Agent -之 REACT_DOCSTORE在智能问答和知识检索的场景下，如何让 AI 既具备推理能力，又能高效利用外部知识库？ReAct 框架已经展现了强大的推理能力，而 ReACT_DOCSTORE 则进一步增强了这一能力，结合了文档存储（DocStore），让 AI 先检索文档，再进行推理，从而提供更加准确的信息。

Langchain学习Agent目标：根据用户输入的Prompt让AI对数据库进行数据查询，并生成数据分析报表/可视化图表，这种Agent可以让不会SQL的运营/管理人员使用，生成他们任何想看到的平台数据，而不用再让前端写某个指标的图表了，能大大提升工作效率和减负。只要模型私有化部署保证数据库安全且程序限制不执行增删改操作，就能在生产投入使用了。

AI Agent主流框架对比总结1. 定位：Dify/Flowise：低门槛，适合非技术人员快速构建轻量级 AI 应用。Langflow：高度定制化，深度集成 LangChain，适合中高级开发者。

从零开始解析RAG（三）：五级分块——从字符切分到语义感知的演进之路大家好，这是我们 RAG 系列的第三篇文章，前两篇文章分别从 Query 优化的角度，介绍了通过翻译问题来改进检索质量的查询翻译，为问题选择合适数据源的路由选择，以及面向结构化数据，非结构化数据的查询构建。从优化整个 RAG 的角度来说，下一步，我们要优化索引。回顾一下，索引是如何构建的：

【GPT入门】第18课 langchain介绍与API初步体验LangChain 是一个用于开发由语言模型驱动的应用程序的开源框架，它在大语言模型（LLM）应用开发领域发挥着重要作用，以下为你详细介绍它的定义和特点：

Summerful的LangChain入门学习笔记（二）-Model I/O之Prompts官方文档中定义的Model I/O：Prompts、Chat Models、LLMs和Output Parsers。这4个基本组件，可以处理基本的用户输入并通过大模型处理后按要求输出。这一章主要介绍第一个组件：Prompts，即用户输入的提示语。

《从零开始DeepSeek R1搭建本地知识库问答系统》六：关于聊天模型 API Key 的使用与调用 Embedding 模型上两章节我们实现了本地知识库问答系统的前后端分离开发，还没看的同学请前往观看：《从零开始DeepSeek R1搭建本地知识库问答系统》四：FastApi 框架搭建本地知识库问答Web Server端

理解langchain langgraph 官方文档示例代码中的MemorySaver以下是langchain v0.3官方示例代码输出这里涉及到图论的基础知识，要快速了最基础概念，推荐这个视频：【硬核干货】图论到底是个什么玩意儿？图论入门：树与生成树 (Graph Theory: Tree and Spanning Tree)_哔哩哔哩_bilibili

J-LangChain - Agent - 编排一个 ReAct + Function Call 反应链系列文章索引 J-LangChain 入门j‑langchain 是一款基于 Java 的 AIGC 编排框架，致力于集成多种大模型（LLM）调用及 RAG 工具。自 1.0.8 版本起，我们引入了工具函数（Function Call）调用能力，正式实现了 Tools 功能，并将其与 ReAct（Reasoning + Acting）模式结合，从而构建出功能丰富、交互智能的 Agent 系统。