langchain

老周聊大模型

LangChain已死？不，是时候重新思考AI工程范式了本文较长，建议点赞收藏以免遗失。由于文章篇幅有限，更多涨薪知识点，也可在主页查看。最新AI大模型应用开发学习资料免费领取。飞书右侧蓝色字体「链接」

数据智能老司机

基础图谱增强检索生成（GraphRAG）——智能代理式 RAG本章内容包括：在前面的章节中，我们已经了解了如何使用不同的向量相似度搜索方法找到相关数据。利用相似度搜索，我们可以在无结构数据源中检索相关数据，但结构化数据往往比无结构数据更有价值，因为结构本身就包含了信息。

AI代理性能提升实战：LangChain+LangGraph内存管理与上下文优化完整指南在AI代理系统的开发过程中，上下文工程已成为决定系统性能的关键技术。上下文工程本质上是在为AI系统分配任务之前建立合适的执行环境，这个环境需要包含明确的行为指令（如配置AI充当专业的预算旅行顾问）、来自数据库、文档或实时数据源的有用信息访问权限、对历史对话的记忆能力以避免信息重复或遗忘、可供AI调用的工具集（计算器、搜索引擎等功能组件），以及用户的个性化信息（偏好设置、地理位置等关键细节）。

都叫我大帅哥

LangChain分层记忆解决方案：完整案例下面是一个完整的分层记忆解决方案案例，解决长对话历史导致的token超限问题。我们将实现一个三层记忆系统，结合短期记忆、摘要记忆和向量检索记忆。

AI Agent开发学习系列 - langchain之LCEL(5)：如何创建一个Agent？结果：这段代码展示了使用 LangChain 创建和配置 Agent 的完整流程。首先通过 ChatOpenAI 初始化腾讯混元大模型，然后从 LangChain Hub 拉取预定义的 Agent 提示模板，接着使用 load_tools() 加载数学计算工具并传入 LLM 实例，随后调用 create_openai_functions_agent() 将 LLM、工具和提示模板组合成 Agent，最后创建 AgentExecutor 作为执行器并调用 invoke() 方法执行 Agent。技术要点

青Cheng序员石头

Prompt Engineering vs Vibe Coding vs Context Engineering定义：通过设计优化输入提示（Prompt）引导大语言模型（LLM）生成高质量输出的技术，核心是“如何问对问题”。核心特点：

数据智能老司机

构建由 LLM 驱动的 Neo4j 应用程序——使用 Neo4j 和 Haystack 实现强大搜索功能在本章中，我们将开始探索如何将 Haystack 与 Neo4j 集成，结合大语言模型（LLMs）和图数据库的能力，构建一个 AI 驱动的搜索系统。Haystack 是一个开源框架，支持开发者利用现代自然语言处理技术、机器学习模型和基于图的数据，创建智能应用。对于我们的智能搜索系统，Haystack 将作为一个统一的平台，协调 LLM、搜索引擎和数据库，实现高度上下文化且相关性强的搜索结果。

都叫我大帅哥

🚀 LangGraph终极指南：从入门到生产级AI工作流编排欢迎来到LangGraph的世界！如果你曾为复杂AI工作流头疼不已——比如让多个AI智能体协作、管理有状态对话或处理分支逻辑——那么恭喜，你找到了解药！本文将带你全面探索这个革命性框架，保证深入、实用、笑料不断（至少我会努力~）。

LangChain vs LangGraph：从困惑到清晰的认知之路(扫盲篇)在学习 AI 的过程中，我发现一个很普遍的现象：很多开发者（包括我自己）对 LangChain 和 LangGraph 的关系都是一知半解的。

LangChain记忆序列化与持久化方案源码级分析(37)在LangChain中，记忆模块扮演着至关重要的角色。它用于存储和管理对话历史、中间计算结果等信息，使模型能够基于历史数据进行更智能的交互和决策。例如，在聊天机器人场景中，记忆模块可以保存用户之前的提问和系统的回答，以便在后续对话中参考，从而提供更连贯、上下文相关的回复。

数据智能老司机

构建由 LLM 驱动的 Neo4j 应用程序——揭开 RAG 的神秘面纱上一章中，我们探讨了大型语言模型（LLMs）的演进及其如何改变了生成式人工智能（GenAI）的格局，同时也讨论了一些其存在的缺陷。本章将介绍如何通过检索增强生成（Retrieval-Augmented Generation，简称RAG）来规避这些缺陷。我们将了解RAG的含义、架构，以及它如何融入LLM的工作流程，从而构建更优智能应用。

数据智能老司机

构建由 LLM 驱动的 Neo4j 应用程序——构建智能应用的知识图谱基础理解在上一章中，我们了解了什么是RAG，以及如何结合大型语言模型（LLMs）实现一些简单的RAG流程示例。本章将聚焦于知识图谱的概念，以及图结构如何提升检索增强生成（RAG）的效果。我们将探讨如何构建知识图谱模型，并介绍Neo4j在此中的应用。具体来说，我们会了解Neo4j的数据建模和数据持久化方式如何助力构建更强大的知识图谱。同时，我们还将比较关系型数据库管理系统（RDBMS）与Neo4j知识图谱的数据存储方法，从而更好地理解不同数据模型下的数据特性。

数据智能老司机

构建由 LLM 驱动的 Neo4j 应用程序——使用电影数据集构建你的Neo4j图数据库在前几章中，我们了解到知识图谱作为一种变革性工具出现，提供了一种结构化方式连接多样化的数据点，支持更智能的搜索、推荐和推理能力，应用范围广泛。

数据智能老司机

构建由 LLM 驱动的 Neo4j 应用程序——LLM、RAG 与 Neo4j 知识图谱简介人工智能（AI）正从小众和专业领域逐渐走向大众，更加易于使用，能够辅助日常任务。其中最典型的例子便是生成式人工智能（Generative AI，简称 GenAI）的爆发式发展。近年来，GenAI 以其易用性和能够像人类一样理解并回答问题的能力，激发了技术开发者和普通用户的极大兴趣。大型语言模型（LLMs）的突破推动了 GenAI 走到前沿，给企业带来了改变客户互动方式的诸多机遇。客户可以用自然语言提出问题，并直接获得答案，无需人工理解问题或从数据中提取信息。

RAG 青铜升级：知识库召回率优化实战攻略在大模型（LLM）驱动的问答系统中，RAG（Retrieval-Augmented Generation）架构正迅速成为主流；然而在实际应用中，即便接入了如 GPT-4 或 Claude 等先进模型，但生成结果仍然不够理想。

老周聊大模型

大模型如何突破“认知茧房”？RAG+MCP构建外部脑接口本文较长，建议点赞收藏以免遗失。由于文章篇幅有限，更多涨薪知识点，也可在主页查看。最新AI大模型应用开发学习资料免费领取。飞书右侧蓝色字体

小森( ﹡ˆoˆ﹡ )

LangChain聊天机器人教程欢迎来到 LangChain 聊天机器人的世界！🎉 在这个教程中，我们将学习如何使用 LangChain 构建智能聊天机器人，并探索两种不同的消息存储方式。

RAG项目实战：LangChain 0.3集成 Milvus 2.5向量数据库，构建大模型智能应用最近，有时间，想着动手实战一下，从0到1搭建一个 RAG 系统，也是想通过实战的方式来更进一步学习 RAG。因此，就定下了以项目实战为主，书籍为辅的执行方式。（书籍是黄佳老师著的《RAG 实战课》）

【AI】文生图&文生视频在前面的文章中，我们使用了langchain4j提供的免费演示密钥去连接的gpt-4o–mi模型，但免费的apikey连接的模型总会有许多配额限制，这里我们接入阿里百炼平台，它集成了阿里的通义系列大模型和其它第三方大模型(如deepseek)，涵盖文本、图像、音视频等不同模态，最主要的是，新用户有千万token(不同模型合计)免费送，用于我们平时学习使用已经足够了。

LangChain：让语言模型成为你的应用逻辑组件如果你听说过“大语言模型”，但不想在 prompt 工程中打转，那么 LangChain 可能是你想了解的下一个工具。