langchain

明明跟你说过

基于【Lang Chain】构建智能问答系统的实战指南🐇明明跟你说过：个人主页🏅个人专栏：《深度探秘：AI界的007》 🏅🔖行路有良友，便是天堂🔖

5分钟学会LLM开发系列教程（五）Agent的最终形态LangGraph本质上 createReactAgent 内部都是工具函数的调用形式了，之前的靠 prompt 的形式渐渐不用了，一是依靠大模型反馈的不稳定，二是现在的大模型都支持工具调用

前端加油站

LangChain.js:打造自己的 LLM 应用相信很多小伙伴在刷 BOSS 直聘时会看到AI工程师开发岗位基本都要求掌握 LangChain.js 框架。那么LangChain.js 框架到底是什么呢？很多岗位 JD 要求必须掌握LangChain.js。下面跟随笔者快速掌握LangChain.js。

小白学习langchain第三弹：youtube视频信息搜索工具包引入，专注于获取Youtube的自动字幕和提供方便的api，本次利用这个包来获取视频的元信息和字幕信息，以此来比对相关性

【LangChain少样本提示工程实战】FewShotPromptTemplate原理与应用解析——附运行代码目录引言重点提炼一、FewShotPromptTemplate作用1. 整合示例与模板，构建结构化提示

LLMOps开发（四） Tool + Agent大语言模型本身的函数调用并不会调用我们预定义的参数，而是仅仅生成我们需要调用的函数的调用参数而已，具体的调用函数的动作，需要我们再应用中代码实现

小白学习langchain第二弹：连接mysql数据库实现对话的两种方式使用的大模型是ollama本地启动的DeepsSeek-r1:8b模型,大模型可以根据连接数据库，根据你的问题，生成SQL语句，并通过langchain提供的工具包进行sql查询，并返回结果。

Lilith的AI学习日记

LangChain高阶技巧：动态配置Runnable组件的原理剖析与实战应用在大规模AI应用开发中，如何实现运行时动态调整模型参数？LangChain的Runnable组件configurable_fields机制给出了优雅解决方案。本文将深入解析其技术原理，并分享企业级场景的最佳实践。

私有化DeepSeek+ollama+langchain实现RAG的问答知识库作为白嫖党，通过部署本地的DeepSeek提供服务，既可以训练模型，也可以节省开支，并且因为有些资料是不适合互联网上传的，所以使用私有化比较合适。本次使用基于开源跨平台大模型工具Ollama，提供多种开箱即用的预训练模型，选取DeepSeek-R1,需要去ollama官方网站ollama.com/download 选择适合的系统下载即可，之后傻瓜式安装。

LangGraph 架构详解LangGraph 的架构建立在一个灵活的基于图的系统上，使开发者能够定义和执行复杂的工作流。以下是主要架构组件：

这是一份简洁优雅的Prompt教程前一篇文章我们梳理了AI大模型相关技术，从这篇文章开始我们就由上到下的攻破一些知识点，让我们能够更优雅的使用AI大模型。

14-Hugging Face 模型微调训练（基于 BERT 的中文评价情感分析（二分类））使用 datasets 库，你可以轻松列出所有 Hugging Face 平台上的数据集：你可以通过 load_dataset 方法加载任何数据集：

进击的松鼠

Next.js + LangChain.js + DeepSeek 实现一个 AI 智能助手LangChain 框架最初以 Python 版本为主，随后推出 JavaScript 版本，这也是官方持续维护的两个主要版本。

LLMOps开发（三） RAG本地文件向量数据库：用户将向量数据存储到本地文件系统中，通过数据库查询的接口来检索向量数据，例如：Faiss。

LangChain-提示模板 (Prompt Templates)提示模板是LangChain的核心组件，用于构建发送给语言模型的输入。本文档详细介绍了提示模板的类型、功能和最佳实践。

LangChain使用大语言模型构建强大的应用程序LangChain是一个强大的框架，旨在帮助开发人员使用语言模型构建端到端的应用程序。它提供了一套工具、组件和接口，可简化创建由大型语言模型 (LLM) 和聊天模型提供支持的应用程序的过程。LangChain 可以轻松管理与语言模型的交互，将多个组件链接在一起，并集成额外的资源，例如 API 和数据库。

【AI技术】Function Calling、LangChain、MCP协议、AI IDE工具了解首先，Function Calling的出现解决了模型无法与外部工具交互的问题，但各家的接口不统一，导致生态碎片化。接着，LangChain通过模块化设计，简化了多模型和工具的集成，但仍有复杂性和性能问题。最后，MCP协议作为标准化协议，实现了即插即用，解决了生态壁垒的问题。可分几个阶段：技术萌芽期（Function Calling）、协议探索期（LangChain）、标准化时期（MCP），然后总结各自的核心价值和未来趋势

LLMOps开发（二） Memorymemory 在 v0.3版本建议都走 langGragh 所有记忆组件，都是传统链实例化的，并不能很好的适配 LCEL 模式

让DeepSeek模仿曹操，果然好玩！上回说到，在《新三国》中荀彧对曹操说的那句名言，但相比荀彧而言，我觉得曹操的名言会更多，我一想，若能用AI重现这位乱世奸雄曹操，会得到怎样的体验？

Lilith的AI学习日记

LangChain核心架构解析：从传统Chain到LCEL的演进之路引言：Chain架构的进化论在LangChain开发中，Chain（链式组件）就像AI应用的“神经系统”，负责串联各个功能模块。但很多新手会被新旧版本的设计差异搞得一头雾水。本文用最直白的方式，带你理解Chain的演进逻辑与技术选型要点！（文末附迁移指南）