langchain

老周聊大模型1 天前
人工智能·langchain·mcp
LangChain已死?不,是时候重新思考AI工程范式了本文较长,建议点赞收藏以免遗失。由于文章篇幅有限,更多涨薪知识点,也可在主页查看。最新AI大模型应用开发学习资料免费领取。飞书右侧蓝色字体「链接」
数据智能老司机1 天前
langchain·llm·aigc
基础图谱增强检索生成(GraphRAG)——智能代理式 RAG本章内容包括:在前面的章节中,我们已经了解了如何使用不同的向量相似度搜索方法找到相关数据。利用相似度搜索,我们可以在无结构数据源中检索相关数据,但结构化数据往往比无结构数据更有价值,因为结构本身就包含了信息。
deephub2 天前
人工智能·深度学习·神经网络·langchain·大语言模型·rag
AI代理性能提升实战:LangChain+LangGraph内存管理与上下文优化完整指南在AI代理系统的开发过程中,上下文工程已成为决定系统性能的关键技术。上下文工程本质上是在为AI系统分配任务之前建立合适的执行环境,这个环境需要包含明确的行为指令(如配置AI充当专业的预算旅行顾问)、来自数据库、文档或实时数据源的有用信息访问权限、对历史对话的记忆能力以避免信息重复或遗忘、可供AI调用的工具集(计算器、搜索引擎等功能组件),以及用户的个性化信息(偏好设置、地理位置等关键细节)。
都叫我大帅哥2 天前
python·langchain
LangChain分层记忆解决方案:完整案例下面是一个完整的分层记忆解决方案案例,解决长对话历史导致的token超限问题。我们将实现一个三层记忆系统,结合短期记忆、摘要记忆和向量检索记忆。
alex1002 天前
人工智能·python·语言模型·langchain·prompt·向量数据库·ai agent
AI Agent开发学习系列 - langchain之LCEL(5):如何创建一个Agent?结果:这段代码展示了使用 LangChain 创建和配置 Agent 的完整流程。 首先通过 ChatOpenAI 初始化腾讯混元大模型,然后从 LangChain Hub 拉取预定义的 Agent 提示模板,接着使用 load_tools() 加载数学计算工具并传入 LLM 实例,随后调用 create_openai_functions_agent() 将 LLM、工具和提示模板组合成 Agent,最后创建 AgentExecutor 作为执行器并调用 invoke() 方法执行 Agent。 技术要点
青Cheng序员石头2 天前
langchain·llm·aigc
Prompt Engineering vs Vibe Coding vs Context Engineering定义:通过设计优化输入提示(Prompt)引导大语言模型(LLM)生成高质量输出的技术,核心是“如何问对问题”。 核心特点:
数据智能老司机2 天前
langchain·llm·aigc
构建由 LLM 驱动的 Neo4j 应用程序——使用 Neo4j 和 Haystack 实现强大搜索功能在本章中,我们将开始探索如何将 Haystack 与 Neo4j 集成,结合大语言模型(LLMs)和图数据库的能力,构建一个 AI 驱动的搜索系统。Haystack 是一个开源框架,支持开发者利用现代自然语言处理技术、机器学习模型和基于图的数据,创建智能应用。对于我们的智能搜索系统,Haystack 将作为一个统一的平台,协调 LLM、搜索引擎和数据库,实现高度上下文化且相关性强的搜索结果。
都叫我大帅哥3 天前
python·langchain
🚀 LangGraph终极指南:从入门到生产级AI工作流编排欢迎来到LangGraph的世界!如果你曾为复杂AI工作流头疼不已——比如让多个AI智能体协作、管理有状态对话或处理分支逻辑——那么恭喜,你找到了解药!本文将带你全面探索这个革命性框架,保证深入、实用、笑料不断(至少我会努力~)。
showyoui3 天前
langchain·ai编程
LangChain vs LangGraph:从困惑到清晰的认知之路(扫盲篇)在学习 AI 的过程中,我发现一个很普遍的现象:很多开发者(包括我自己)对 LangChain 和 LangGraph 的关系都是一知半解的。
_一条咸鱼_3 天前
人工智能·面试·langchain
LangChain记忆序列化与持久化方案源码级分析(37)在LangChain中,记忆模块扮演着至关重要的角色。它用于存储和管理对话历史、中间计算结果等信息,使模型能够基于历史数据进行更智能的交互和决策。例如,在聊天机器人场景中,记忆模块可以保存用户之前的提问和系统的回答,以便在后续对话中参考,从而提供更连贯、上下文相关的回复 。
数据智能老司机3 天前
langchain·llm·aigc
构建由 LLM 驱动的 Neo4j 应用程序——揭开 RAG 的神秘面纱上一章中,我们探讨了大型语言模型(LLMs)的演进及其如何改变了生成式人工智能(GenAI)的格局,同时也讨论了一些其存在的缺陷。本章将介绍如何通过检索增强生成(Retrieval-Augmented Generation,简称RAG)来规避这些缺陷。我们将了解RAG的含义、架构,以及它如何融入LLM的工作流程,从而构建更优智能应用。
数据智能老司机3 天前
langchain·llm·aigc
构建由 LLM 驱动的 Neo4j 应用程序——构建智能应用的知识图谱基础理解在上一章中,我们了解了什么是RAG,以及如何结合大型语言模型(LLMs)实现一些简单的RAG流程示例。本章将聚焦于知识图谱的概念,以及图结构如何提升检索增强生成(RAG)的效果。我们将探讨如何构建知识图谱模型,并介绍Neo4j在此中的应用。具体来说,我们会了解Neo4j的数据建模和数据持久化方式如何助力构建更强大的知识图谱。同时,我们还将比较关系型数据库管理系统(RDBMS)与Neo4j知识图谱的数据存储方法,从而更好地理解不同数据模型下的数据特性。
数据智能老司机3 天前
langchain·llm·aigc
构建由 LLM 驱动的 Neo4j 应用程序——使用电影数据集构建你的Neo4j图数据库在前几章中,我们了解到知识图谱作为一种变革性工具出现,提供了一种结构化方式连接多样化的数据点,支持更智能的搜索、推荐和推理能力,应用范围广泛。
数据智能老司机3 天前
langchain·llm·aigc
构建由 LLM 驱动的 Neo4j 应用程序——LLM、RAG 与 Neo4j 知识图谱简介人工智能(AI)正从小众和专业领域逐渐走向大众,更加易于使用,能够辅助日常任务。其中最典型的例子便是生成式人工智能(Generative AI,简称 GenAI)的爆发式发展。近年来,GenAI 以其易用性和能够像人类一样理解并回答问题的能力,激发了技术开发者和普通用户的极大兴趣。大型语言模型(LLMs)的突破推动了 GenAI 走到前沿,给企业带来了改变客户互动方式的诸多机遇。客户可以用自然语言提出问题,并直接获得答案,无需人工理解问题或从数据中提取信息。
ClouGence4 天前
后端·langchain
RAG 青铜升级:知识库召回率优化实战攻略在大模型(LLM)驱动的问答系统中,RAG(Retrieval-Augmented Generation)架构正迅速成为主流;然而在实际应用中,即便接入了如 GPT-4 或 Claude 等先进模型,但生成结果仍然不够理想。
老周聊大模型4 天前
langchain·agent·mcp
大模型如何突破“认知茧房”?RAG+MCP构建外部脑接口本文较长,建议点赞收藏以免遗失。由于文章篇幅有限,更多涨薪知识点,也可在主页查看。最新AI大模型应用开发学习资料免费领取。飞书右侧蓝色字体
小森( ﹡ˆoˆ﹡ )4 天前
大数据·langchain·机器人
LangChain聊天机器人教程欢迎来到 LangChain 聊天机器人的世界!🎉 在这个教程中,我们将学习如何使用 LangChain 构建智能聊天机器人,并探索两种不同的消息存储方式。
AIGC包拥它5 天前
人工智能·python·langchain·prompt·个人开发·milvus
RAG项目实战:LangChain 0.3集成 Milvus 2.5向量数据库,构建大模型智能应用最近,有时间,想着动手实战一下,从0到1搭建一个 RAG 系统,也是想通过实战的方式来更进一步学习 RAG。因此,就定下了以项目实战为主,书籍为辅的执行方式。(书籍是黄佳老师著的《RAG 实战课》)
&梧桐树夏5 天前
人工智能·ai·langchain
【AI】文生图&文生视频在前面的文章中,我们使用了langchain4j提供的免费演示密钥去连接的gpt-4o–mi模型,但免费的apikey连接的模型总会有许多配额限制,这里我们接入阿里百炼平台,它集成了阿里的通义系列大模型和其它第三方大模型(如deepseek),涵盖文本、 图像、音视频等不同模态,最主要的是,新用户有千万token(不同模型合计)免费送,用于我们平时学习使用已经足够了。
ak啊5 天前
python·langchain
LangChain:让语言模型成为你的应用逻辑组件如果你听说过“大语言模型”,但不想在 prompt 工程中打转,那么 LangChain 可能是你想了解的下一个工具。