langchain

使用langchain框架开发智能问答系统，需要有mcp服务和工具调用从零开发带工具调用能力的智能问答系统，核心是把 LLM（大脑）+ Tools（外部能力）+ Memory（记忆）+ Agent 编排四块拼起来。LangChain 现在的推荐做法是：业务内简单工具用 @tool 直接封装，跨系统、要复用的能力走 MCP（Model Context Protocol）标准化接入。下面按可落地的顺序一步步来。

Agent 开源项目全景解析（下）：LlamaIndex、Dify、FastGPT 与真实工程选型上篇讨论的项目主要提供编程框架和 Agent Runtime。实际开发中还有另一类非常重要的开源项目，它们把知识库、RAG、工作流、工具、模型管理和应用发布进一步封装。LlamaIndex仍然保持较强的代码框架属性，Dify 与 FastGPT 已经形成可以直接部署和使用的 Agent 应用平台。

迷路爸爸180

RAG 优化方案汇总介绍可运行的 jupyter notebook 仓库：https://github.com/tangpan360/RAG_Techniques_CN

做前端的娜娜子

文档加载工程：多格式数据接入与 Document 标准化系列第四篇。前三篇分别讲了 TS 工程初始化、LLM 的 invoke/stream 调用、Embedding 向量化与余弦相似度。本篇进入 RAG 真正的第一环——把散落各处的文件变成模型能消费的「文档」。

北斗落凡尘

LangGraph 入门实战(5)LangGraph 不仅能编排普通 Python 函数，也可以把大模型调用封装成图节点。本文用一个最小示例，实现以下流程：

[基于OpenEvals的自动化评估-05]基于JSON相似度的评估[LLM参与的语义匹配]基于JSON内容的评估可以说是OpenEvals最重要的部分，基于OpenEvals的自动化评估-04:基于JSON相似度的评估对用于提供相关评估器的如下两个工厂函数从无LLM参与的角度进行了介绍。我们着重讨论了这两个函数的aggregator、list_aggregator和list_match_mode参数。其余的参数除了exclude_keys均与LLM-as-a-Judge有关。如果有了LLM加持，我们在评估的时候将不再仅限于严格的字符串比较，可以进行真正的基于自然语言的语义相似度比较，这样才能真

RAG 工具怎么选：LangChain、LlamaIndex、Dify 实测对比前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击跳转到网站：https://www.captainai.net/dongkelun

【LangChain】核心技术：嵌入模型与向量存储完全指南🎬 博主简介：在大语言模型（LLM）应用开发中，检索增强生成（RAG）已经成为解决大模型 “知识截止” 和 “私有数据访问” 问题的标准方案。而 RAG 系统的核心基石，正是嵌入模型（Embedding Models）和向量存储（Vector Stores）。很多开发者在入门时容易混淆这两个概念：嵌入模型负责将人类语言转换为计算机能理解的数值向量，而向量存储则负责高效管理和检索这些高维向量。本文将从底层原理到实战代码，全面拆解 LangChain 中这两个核心组件的使用方法，帮助你构建稳定高效的 R

langchain学习(三) - tools使用要构建更强大的AI工程应用，只有生成文本这样的“纸上谈兵”能力自然是不够的。工具是赋予大语言模型与外部世界交互能力的关键组件，从而能让智能体执行搜索、计算、数据库查询、邮件发送或调用第三方API等，进而构建功能强大的AI应用。借助工具，大模型才能从“认识世界”走向“改变世界”。

65岁退休Coder

LangChain v1.3.4 笔记 - 07 补充：链式调用 LCELLCEL -> LangChain Expression Language是 LangChain 的一种表达式语言，用于定义和执行链式调用。它允许用户以声明性方式描述复杂的操作流程，并将这些操作组合成一个可执行的链。

做前端的娜娜子

Embedding 向量模型：从语义表示到相似度计算系列第三篇。前两篇我们搭好了 TypeScript 工程、跑通了 invoke 与 stream 两种生成式调用，本篇进入 RAG 的地基——文本如何变成向量，以及向量之间如何比较。

北斗落凡尘

LangGraph 入门实战(4)LangGraph 可以通过条件边动态决定下一步执行哪个节点。本文用一个简单示例实现以下流程：程序还会使用 reducer 累积每个节点的执行记录，并将图导出为 PNG。

LangChain / Advanced usage / Long-term memory英文原文链接：https://docs.langchain.com/oss/python/langchain/long-term-memory

[基于OpenEvals的自动化评估-12]Agent执行轨迹评估[无LLM参与]如果您正在构建Agent，OpenEvals包含用于评估Agent完整执行轨迹的评估器，即Agent在解决任务过程中发出的消息和工具调用序列。由于用户与Agent之间采用基于消息的通信方式，所以Agent的执行轨迹通过返回的消息列表来体现。执行轨迹在OpenEvals中以OpenAI风格的消息列表格式呈现。此外，也支持LangChain的BaseMessage对象。在进行两个消息的比较时，只考虑角色和工具调用，会忽略消息的其他内容。

LangChain集成MCP关于MCP以及npx/uv安装本地MCP服务的前置知识，已经在Spring AI集成MCP Client一文提到，LangChain实现集成MCP也是大同小异，还是以modelscope社区上12306-mcp为例介绍LangChain实现集成MCP

北斗落凡尘

LangGraph 入门实战(3)在简单的线性工作流中，一个节点执行完成后通常只会进入下一个节点。但真实业务往往需要把一个任务拆成多个分支同时处理，例如并行查询多个数据源、同时调用多个工具，或让多个 Agent 分别完成不同任务。

前端贾公子

LangChain 实战：让 LLM 拥有记忆与结构化输出能力大家都在热烈讨论大模型应用落地。其中两个最常见、最棘手的痛点就是：今天，我们就用 LangChain.js彻底解决这两个问题。通过真实代码 + 底层原理剖析，手把手带你实现：

DeepResearchSystem 0x08：KB 知识记忆上一章] 实现了 DeepRearchSystem 的搜索缓存。解决了短时间内同样主题重复请求的问题。现在又遇到了新的挑战：

北斗落凡尘

LangGraph 入门实战(2)LangGraph 适合用来描述“多个步骤按照既定关系流转，并在步骤之间共享状态”的程序。它经常被用于 AI Agent、工作流编排和多步骤任务，但理解 LangGraph 并不需要先接入大模型。

北斗落凡尘

如何使用LangGraph(1)LangGraph 适合把 LLM 应用拆成多个步骤，每个步骤负责一件事，状态在图里流转。这篇文章不讲复杂业务，只用一个最小示例，把 StateGraph、节点执行、消息流转、结果输出和流程图导出一次跑通。