langchain

LLMOps平台：开源项目LMForge = GPTs + Coze最近，我发现了一个超级实用的开源项目——LMForge-End-to-End-LLMOps-Platform-for-Multi-Model-Agents（以下简称LMForge）。这个项目是一个端到端的LLMOps（Large Language Model Operations）平台，专为多模型AI Agent开发设计，支持一键Docker部署、知识库管理、工作流自动化和企业级安全。它基于Flask + Vue3 + LangChain构建，对标大厂级AI应用开发流程，能帮助开发者轻松从Prompt工程

langchain 输出解析器 Output Parser示例中使用的公共代码：使用方法：使用xml解释器时有个奇怪的问题，如果将解释器的实例加入链中，则返回json格式，如果不加入链中，则返回xml格式

LangChain.js 完全开发手册（七）RAG（检索增强生成）架构设计与实现大家好，我是鲫小鱼。是一名不写前端代码的前端工程师，热衷于分享非前端的知识，带领切图仔逃离切图圈子，欢迎关注我，微信公众号：《鲫小鱼不正经》。欢迎点赞、收藏、关注，一键三连！！

LangChain中的Prompt模板如何使用？今天在做测试用例设计的时候，代码中用到了LangChain中的Prompt模板；所以把这个功能的使用简单整理下，便于后续的使用。

ChinaRainbowSea

7. LangChain4j + 记忆缓存详细说明记忆缓存是聊天系统中的一个重要组件，用于存储和管理对话的上下文信息。它的主要作用是让AI助手能够"记住"之前的对话内容，从而提供连贯和个性化的回复。

LLMCompiler：基于LangGraph的并行化Agent架构高效实现随着大语言模型在复杂任务处理中的应用日益广泛，如何提高Agent系统的执行效率和降低计算成本成为了关键挑战。本文介绍了LLMCompiler架构的实现，创新Agent设计，旨在通过并行执行任务和减少冗余的LLM调用来提升性能。我们使用LangGraph框架完整实现了这一架构，并通过多个实际案例验证了其有效性。

8. LangChain4j + 提示词工程详细说明[toc]docs.langchain4j.dev/tutorials/c…目前有四种类型的聊天消息，每种对应消息的一个"来源"：

7. LangChain4j + 记忆缓存详细说明@[toc]记忆缓存是聊天系统中的一个重要组件，用于存储和管理对话的上下文信息。它的主要作用是让AI助手能够"记住"之前的对话内容，从而提供连贯和个性化的回复。

无难事者若执

20250907-02：LangChain 架构和LangChain 生态系统包是什么@🎯 关键结果（Key Results, KRs）@KR@理论知识整理@LangChain架构@LangChain生态包

👦抠腚男孩的AI学习之旅 | 6、玩转 LangChain (二)😄 上节从传统AI应用开发的 "痛点" (需手动管理上下文、多步骤任务处理复杂、外部集成工具需大量样板代码、扩展性差) 引出了功能强大的 LangChain，然后系统讲解了 "七大核心组件" 中的前四个：Models (LLM模型配置)、Prompts (提示词模板)、Tools (工具函数) 和 Chains (链式调用-LCEL)，本节把剩余几个组件过完~

langchain 缓存 Caching使用 LangChain 框架连接 DeepSeek API 的初始化代码

知其然亦知其所以然

三分钟接入！SpringAI 玩转 Perplexity 聊天模型实战大家好呀，我是爱折腾的31岁的大哥哥。上周末在家煮火锅的时候，我突然灵光一闪：既然前阵子我们已经玩过 SpringAI 接入 Ollama、Mistral、Groq、NVIDIA 的聊天模型，那这次不如来点不一样的——把 Perplexity AI 聊天模型接到 Spring 项目里！

用户912518867767

LangChain集成Qwen大模型多种方式分享与最佳实践LangChain 是一个强大的开源框架，专为大语言模型的集成与应用开发而设计；而 Qwen（通义千问）则是阿里巴巴集团推出的优秀大语言模型，在国内拥有广泛的应用和良好的口碑。对于国内开发者而言，掌握如何在 LangChain 中高效接入 Qwen 大模型是一项关键技能。然而，由于 LangChain 提供了多种接入 Qwen 的方式，许多开发者在选择具体实现方案时常常感到困惑。为此，本文将系统介绍几种主流的 LangChain 接入 Qwen 大模型的方法，并结合实际应用场景，分享最佳实践建议，帮助开发

LangChain.js 完全开发手册（六）Vector 向量化技术与语义搜索大家好，我是鲫小鱼。是一名不写前端代码的前端工程师，热衷于分享非前端的知识，带领切图仔逃离切图圈子，欢迎关注我，微信公众号：《鲫小鱼不正经》。欢迎点赞、收藏、关注，一键三连！！

无难事者若执

20250906-01：开始创建LangChain的第一个项目‍‍‍创建项目项目首页 - langchain_study_by_xkong:学习langchain 理论和官方文档，可以在后续AI工作或职业发展中做出基础支持。 1. 目标：3个月达成，基础篇、高级进阶篇、实战篇 2. 每日至少1小时学习 - GitCode

在LangChain中无缝接入MCP服务器扩展AI智能体能力在构建复杂的AI智能体（Agent）时，一个核心的挑战是如何让大语言模型（LLM）与外部世界安全、高效地交互。传统上，我们需要为每一个工具（如数据库、API、文件系统）编写大量的适配代码，这个过程繁琐且难以标准化。

MCP Token超限问题解决方案Model Context Protocol (MCP) 是一个开放标准，允许AI模型安全地连接到外部数据源和工具。MCP服务器可以提供丰富的工具集合，如GitHub仓库查询、数据库操作、文档检索等。

企业级LLM已经到了next level：LangChain + DeepSeek = 王炸不知道你发觉没有一个惊人的变化：越来越多的企业开始拥抱AI，从“业务+AI”慢慢转变成想“用好AI赋能业务”。我在工作之余也在思考，如何做一些真正企业级的、有价值的AI创新业务，让自己不再是AI时代的“观众”，而是时代的参与者乃至于弄潮儿。路漫漫其修远兮，吾将上下而求索。从去年开始，在业余时间，我和清华大学出版社合作，潜心撰AI LLM相关的技术书籍。无数的周末的时光和夜晚，我都一边编写代码，一边写着书稿。近来该书终于出版了，非常感谢家人的支持和理解，也感谢清华大学出版社多位编辑老师耐心的审核和指导

高级RAG策略学习（四）——上下文窗口增强检索RAG检索增强生成（RAG）系统通过结合信息检索和生成模型，显著提升了问答系统的准确性和相关性。然而，传统的RAG系统在检索时往往只关注单个文档块，可能会丢失重要的上下文信息。本文将详细介绍一种基于上下文窗口的RAG系统实现，该系统通过检索相邻文档块来增强上下文信息，从而提供更准确和连贯的回答。

langchain 提示模版 PromptTemplatefrom langchain.prompts import PromptTemplate和上面的PromptTemplate没有区别