langchain

LangChain 工具调用：从原理、入门到落地在大模型应用开发中，纯文本LLM无法解决实时计算、外部数据查询、API交互等落地场景问题。LangChain 工具调用能力，核心是将自定义Python函数、外部能力封装为大模型可识别、可自主调度的标准化工具，让LLM自主判断何时调用工具、传递什么参数，最终结合工具输出结果生成精准回答。

别再把关系库和向量库拆开了：PostgreSQL 搭建 AI 长期记忆层实战这两年做 AI 应用，很多团队最先搭起来的是模型调用链路，最后最容易失控的却是数据层。一开始，大家通常只把 PostgreSQL 或 MySQL 当成“普通业务库”：用户表、订单表、会话表、消息表，该怎么建还怎么建。等产品开始要求“记住用户说过什么”“能从历史对话里找回相似上下文”“支持长期记忆”和“支持知识增强”时，问题就来了。

Week 3 -- Day 1：LangGraph 入门在第 2 周的学习中，我们使用 create_agent() 一行代码就构建出了能调用工具的智能助手。这种简洁性是 LangChain 高层 API 的优势，它隐藏了 ReAct 循环、工具调用解析、消息管理等复杂细节。然而当你需要构建的不仅仅是"提问→思考→回答"的线性流程，而是多步骤、有条件分支、需要人工审批、甚至要在失败后从断点恢复的复杂工作流时，这种黑盒抽象就成了桎梏。这就是 LangGraph 诞生的背景，它不是一个更高层的 Agent 封装，而是一个低层的、透明的编排框架，让你精确控制 Age

RAG 实战：语义检索 + 大模型生成精准问答在深入代码之前，先理解一个核心区别：语义检索和传统关键词检索有什么不同？前端类比：这也是为什么 RAG 系统选择向量检索——用户问"怎么退款"，文档里写的是"申请退货流程"，字面上完全不同，但语义上是一回事。

【LangChain核心组件】少样本提示（示例选择器）🌈个人主页：秦jh__https://blog.csdn.net/qinjh_?spm=1010.2135.3001.5343 🔥 系列专栏：https://blog.csdn.net/qinjh_/category_13137010.html

LangChain 入门 Memory 会话记忆Agent 的记忆（Memory）分两类：在 LangChain 短期记忆是通过 AgentState 实现的，而会话历史（也就是消息列表）是 AgentState 的一部分 LangChain 提供了 Checkpointer 对象来保存 AgentState,每一次用户与AI的交互都会生成一个快照，记录为一个 checkpoint。每次请求时，会拿到最近一次快照，再加上当前的消息，拼接好，发给模型，可以基于历史消息进行回答了

眠りたいです

LangChainv1:agent快速上手与中间件认识https://docs.langchain.com/oss/python/langchain/agents?search=create_agent 如果说之前学习的LangGraph是让我们能够精确到每个节点去控制应用的处理流程。那么agent就是一个已经为我们封装好的Graph图。基本的Agent的工作流程图如下:

【LangChain】LLM基础介绍大语言模型（Large Language Model, LLM）是一个超级"文字接龙"程序——你给它一段文字开头，它就能接着往下写。但它不是随便乱写，而是基于海量训练数据中学到的规律，预测最合适的下一个词。

动能小子ohhh

DocForge平台的设计与开发--文件上传接口的实现目录前言环境的搭建基础环境的初始化代码编写代码初始化文档上传接口的编写DocForge平台是基于FastAPI实现的doc文档的操作web平台。其主要目的是为了结合ocr实现对pdf转换为word的操作。目前市面上有很多的在线转换工具，但都有一个点，转换的格式要不出错，要不识别的很烂。但是从今天开始，手把手教会你开始实现一个基于自己的本地端结合AI在页面实现pdf的转换并实现优化和翻译等操作，本平台的开发时间会很长，更多的是对系统的开发的梳理，在篇幅完结的时候将项目开源，一起实现更多内容的开发，之后博主也

LangChain LCEL Chain 零基础入门指南面向新手，由浅入深梳理 LCEL 链式开发，从概念、基础用法、进阶组件到实战避坑，全程配套可运行代码，循序渐进掌握 | 管道串联思维。

LangChain调用向量模型，存入向量数据库很多入门 AI、RAG 检索、智能问答的开发者，都会被向量、Embedding、语义向量等概念困扰。其实向量技术底层逻辑并不复杂。

RAG 核心：向量嵌入与本地向量数据库实战作为人类，我们天然理解文字的含义：但对计算机来说，"猫"和"狗"只是两个字符串，它不知道它们有什么关系。

LangChain 系统性科普：从入门到架构设计在 ChatGPT 引爆大语言模型（LLM）应用开发后，开发者很快发现：直接调用 OpenAI 或 Claude 的 API 只能完成最简单的问答任务。一旦涉及多轮对话、外部知识库、工具调用、复杂业务流程编排，纯 API 调用就会让代码迅速膨胀为难以维护的"意大利面条"。

RAG 关键环节：文本分块策略与最优参数配置某 RAG 系统在处理一份 API 文档时遇到了严重问题：用户询问"如何配置超时参数"，系统要么找不到答案，要么返回不完整的配置说明。

Langchain.js 实战四：工具的使用工具扩展了 Agent（Agent我们下一小节介绍）的功能——使它们能够获取实时数据、执行代码、查询外部数据库并在现实世界中采取行动。在底层，工具是具有明确定义输入和输出的可调用函数，这些函数会被传递给聊天模型。模型会根据对话上下文决定何时调用工具以及需要提供哪些输入参数。Tool 是让 Agent 能够与外部世界交互的核心组件，本质上是有明确输入输出定义的可调用函数。模型根据对话上下文决定何时调用工具以及传入什么参数。Tool 由三部分组成：名称、描述和参数 schema（使用 Zod 定义）。模型读取

智能体-LangChain框架-Tools工具的使用指南Tools（工具）是 LangChain 中让大模型与外部世界交互的核心机制。模型本身只会“说话”，而工具让它能够真正“动手”——搜索、计算、查数据库、调 API。通过工具，Agent 可以执行搜索、计算、数据库查询等操作，极大扩展了 AI 的能力边界。

AI-Agent学习-LangChain-01解释：LangChain和大模型LLMS的作用类似于spring之于java的作用。也类似于JDBC驱动数据库的作用。制作智能体可以由程序直连llms大模型，但不推荐，只用LangChain会更加的标准化，且LangChain提供了相当多的调用工具链，避免直接操作大模型。

LangChain 输出解析器：把模型回复变成你要的数据上一篇学了 Input（模板拼接）和 Model（invoke / stream / batch）。大模型返回的是 AIMessage 对象，业务里往往要字符串、JSON、结构化对象。

【LangChain】文本分割器全景指南：从 RecursiveCharacterTextSplitter 到各类分割器对比在构建 RAG（检索增强生成）系统时，文档分割（Chunking）是决定检索质量的第一道关卡。本文将系统梳理 LangChain 中各类文本分割器，并以 RecursiveCharacterTextSplitter 为核心，深入解析其工作原理、参数配置与最佳实践。