langchain

Java后端的Ai之路

【AI大模型开发】-创建RAG问答实战（LangChain+DeepSeek+Faiss）ChatPDF-Faiss 是一个基于 FAISS 向量数据库的 PDF 文档智能问答系统，能够从 PDF 文档中提取信息并回答用户的问题。该系统利用了阿里云 DashScope API 提供的文本嵌入和大语言模型能力，实现了对 PDF 文档的高效检索和智能问答。

Large Language Model(LLM)应用开发学习实践（二）大语言模型本身是无状态的（stateless），即每次推理都是独立的，不保留历史信息。为了在对话或多轮交互中实现“记忆”能力，开发者通常借助外部记忆存储策略（memory strategies）。以下是常见的五种记忆存储策略：

阿里云云原生

快速上手：LangChain + AgentRun 浏览器沙箱极简集成指南作者：辰泉在 Agentic AI 时代，智能体需要与真实世界交互，而浏览器是连接虚拟世界与现实世界的重要桥梁。AgentRun Browser Sandbox 为智能体提供了安全、高性能、免运维的浏览器执行环境，让 AI Agent 真正具备“上网”的能力——从网页抓取、信息提取到表单填写、自动化操作，一切皆可实现。

零基础 | 使用LangChain框架实现ReAct Agent文档信息这是一个使用LangChain框架实现ReAct Agent的完整示例项目，展示如何创建能够调用工具的智能Agent。Agent可以处理需要多步骤推理和工具调用的复杂问题。

weixin_46244623

使用 LangChain + Ollama + Neo4j 构建中文知识图谱完整教程（含 Docker 部署）在本教程中，我们将从零开始，使用 Ollama 本地大模型（Qwen2.5:7B） + LangChain + Neo4j 图数据库，构建一个完整的中文知识图谱系统。整个流程包括：

【AI】AI学习笔记：LangGraph 与 LangChain的关系以及系统性学习路线选择当 LangChain 需要实现更强大、更可靠、更复杂的 Agent（即您提到的“持久化执行、人在环路”等功能）时，它选择将 LangGraph 作为其新一代 Agent 的底层执行引擎。所以：

大模型面试题90：half2，float4这种优化与 pack优化的底层原理是什么？核心结论：half2（2个半精度浮点数打包）、float4（4个单精度浮点数打包）和pack优化的底层核心是**“数据打包 + SIMD向量指令并行”** ——把多个小数据“捆成一捆”变成一个“大数据单元”，让GPU的计算核心（CUDA Core）一次处理多个数据，同时减少内存访问次数，就像工人一次搬4块砖而非1块，既提升运算效率，又充分利用硬件资源。

小付爱coding

跟着官网学LangChain【第01章：模型(Models)】在LangChain中，**模型(Model)**是对各种大语言模型的统一抽象。无论你使用OpenAI、Anthropic、还是其他提供商的模型，LangChain都提供了一致的接口。

【LangChain1.0】第八阶段：文档处理工程(LangChain篇)版本信息:在前两篇中，我们学习了RAG的基础知识（第四篇）和高级优化技术（第五篇）。但在实际应用中，文档处理往往是RAG系统最大的痛点：

langGraph从入门到精通（九）——基于LangGraph构建具备多工具调用与自动化摘要能力的智能 Agent在构建复杂的 AI 代理时，如何让 Agent 不仅能“听懂”需求，还能“协调”多个工具并最终“专业”地汇总结果？本文将基于 LangGraph 实战案例，深度拆解一个具备实时联网搜索、天气查询、数据库入库以及最终结果自动化摘要能力的完整智能体闭环。

老蒋每日coding

AI Agent 设计模式系列（十三）—— 人机协同模式人机协同模式是AI Agent设计与部署中的核心战略框架。它旨在将人类特有的认知能力——包括复杂判断、创造性思维与情境化理解——与人工智能的高速计算和自动化优势相结合。这种协同并非简单互补，而是在关键决策场景中的必要设计，尤其在AI系统承担的责任日益重大的背景下。

weixin_46244623

Milvus + LangChain + Ollama 搭建生产级 RAG（含 Tag / Metadata 解析）本文记录一次从 Milvus 容器反复重启、端口拒绝，到最终稳定运行并实现 LangChain RAG 成功检索的完整实战过程。适用于本地 RAG、私有大模型、知识库系统等场景。

老蒋每日coding

AI Agent 设计模式系列（十一）—— 目标设定和监控模式要使 AI Agent 真正有效且有目的性，它们不仅需要处理信息或使用工具的能力，还需要明确的方向感和判断自身是否真正成功的方法。这就是目标设定和监控模式发挥作用的地方。该模式的核心是为Agent 提供具体的工作目标，并为其配备跟踪进度和确定这些目标是否已实现的手段。

Langchain4j 系列之二十七 - Ollama集成Deepseek上一个系列讲了Spring AI得到反馈效果不错，有人私信我说这个和Langchain4j有什么区别。如果站在使用方面，都是基于Java的大模型应用研发的工具，本质上没太大区别。但是从细节层面来说还是有很多不同之处，所以索性借此机会，给大家分享一下Langchain4j框架。在本系列中会按照Spring AI系列的顺序来写Langchain4j，这样的好处是可以对比两者不同的细节。

LLM应用开发框架技术选型指南：LangChain vs LlamaIndex在构建基于大语言模型（LLM）的应用时，选择合适的编排框架是至关重要的一步。当前市场上最主流的两个框架——LangChain 和 LlamaIndex，各自拥有庞大的生态和独特的设计哲学。

LangChain LCEL 工具调用实战：从确定性链到动态 Agent大型语言模型 (LLM) 的真正威力在于连接外部世界。在 LangChain 中，“Tool Calling”（工具调用）是将 LLM 与 API、数据库或自定义函数连接的核心机制。

LangChain v1.0+ 入门详解：概念、架构、组件、模板与实战LangChain 是一套专为构建大语言模型（LLM）原生应用设计的开源框架，其核心价值并非简单封装 LLM 调用接口，而是解决 LLM 与外部系统协同的核心问题：

西柚小萌新

【人工智能:Agent】--7.Langchain短期记忆记忆是一种记住之前互动信息的系统。对于人工智能智能体来说，记忆至关重要，因为它能让他们记住之前的互动，从反馈中学习，并根据用户偏好进行调整。随着智能体u处理涉及大量用户交互的复杂任务，这一能力对效率和用户满意度都变得至关重要。

眠りたいです

使用LangChain进行AI应用构建-快速上手，定义模型和调用工具部分读者在进行学习之前，需要了解Python并自行解决魔法上网问题，最好是有其他语言的基础比如C/C++或JAVA。本文主要演⽰如何使⽤ LangChain 接⼊⼤模型组件，以及与⼤模型进⾏简单对话的能力。掌握了基本⽤法后，将会引出 LangChain 相关前置概念，以便后续深⼊学习 LangChain 标准化组件。注意:Python版本为3.13版本

使用 LangChain 与 CrewAI 实现 AI Agent 的多步任务规划（零基础入门）在 AI 领域，AI Agent（智能体）可以理解为“自带思考和行动能力的 AI 助手”——它不用人类逐步指挥，能自主理解任务、规划步骤、调用工具，甚至调整策略直到完成目标。比如让 AI 写一篇技术摘要，它会自己规划“先查资料→整理核心观点→优化表达”，全程模拟人类处理复杂任务的逻辑。