langchain

自定义 LangChain 文档加载器使用技巧01. 自定义加载器使用技巧对于一些企业的内部数据，例如数据库、API接口等定制化非常强的数据，如果使用通用的文档加载器进行提取，虽然可以提取记录到相应的信息，但是加载的数据格式或者样式大概率没法满足我们的需求，这个时候就可以考虑实现自定义文档加载器。

北冥有一鲲

A2A协议与LangChain.js实战：构建微型软件工厂在 LLM 应用开发的早期，我们的目光主要聚焦于 Prompt Engineering（提示词工程）和 RAG（检索增强生成）。随后，Agent（智能体）概念爆发，通过 Function Calling，LLM 拥有了使用计算器或搜索工具的“手”。

Part 3：模型调用、记忆管理与工具调用流程（LangChain 1.0）笔记（Markdown）该 Notebook 是某套课程体验课内容的节选，前面包含：课程介绍/宣传页（图片）部分课程成果演示（若干项目方向：语音客服、自动化内容创作、多 Agent 数据分析、自动数据集构建、GraphRAG 等）

LangChain Tools解析：让Agent拥有超能力这篇是 LangChain 系列的学习笔记，这次整理的是第五章 Tools（工具）模块。说到 Tools，这可是 Agent 的核心能力。你想想，大模型再强大也只是会"说话"而已，它不能帮你移动文件、不能帮你查询天气、不能帮你计算复杂的数学公式。但有了 Tools，大模型就像获得了"手"一样，可以真正做一些实际的操作了。

AI Agent——可观测性链路集成&评测体系搭建（Langfuse）继上篇：AI Agent——后时代的LangChain&LangGraph 在项目落地最新的LangChain1.0版本后，我研究了LangSmith这LangChain官方推介的日志管理和任务追踪（Trace），发现其部署及其简单，仅需3行代码，无侵入式即可部署。

LangChain 1.0 入门实战（Part 1）详细笔记资料来源：Part 1.LangChain 1.0入门介绍（共 11 页）1.0 时代 LangChain 的角色从“把模型、工具、链路拼起来”升级为面向生产的 Agent 开发生态入口：

Model大模型接口一个 AI 应用的核心就是它所依赖的大语言模型，LangChain作为一个“工具”，不提供任何 LLMs，而是依赖于第三方集成各种大模型。比如，将 OpenAI、Anthropic、Hugging Face 、LlaMA、阿里Qwen、ChatGLM等平台的模型无缝接入到你的应用。

提示模板PromptTemplate在与大语言模型交互时，通常不会直接将用户的原始输入直接传递给大模型，而是会先进行一系列包装、组织和格式化操作。这样做的目的是：更清晰地表达用户意图，更好地利用模型能力。

Elastic 中国社区官方博客

如何使用 LangChain 和 Elasticsearch 构建 agent 知识库作者：来自 Elastic Han Xiang Choong学习如何构建一个 agent 知识库，并测试它基于上下文查询信息源的能力，对超出范围的查询使用 WebSearch，并根据用户意图优化推荐。

langchain与langgraph的对比参考资料：LangChain 是一个基础框架，专注于大语言模型（LLM）应用的开发。它提供模块化的构建块和全生命周期支持，适合简单的任务链式执行。

Langchain4j 系列之六 - 提示词上一个系列讲了Spring AI得到反馈效果不错，有人私信我说这个和Langchain4j有什么区别。如果站在使用方面，都是基于Java的大模型应用研发的工具，本质上没太大区别。但是从细节层面来说还是有很多不同之处，所以索性借此机会，给大家分享一下Langchain4j框架。在本系列中会按照Spring AI系列的顺序来写Langchain4j，这样的好处是可以对比两者不同的细节。

极简LangGraph智能体Demo“需要更多信息”“任务完成”用户提问“思考节点 LLM分析问题，规划行动”“执行节点调用工具完成任务”

【TextIn大模型加速器 + 火山引擎】TextIn大模型加速器与火山引擎协同构建智能文档处理新范式在当今数字化时代，企业运营过程中产生和处理的文档数量呈爆发式增长，这些文档承载着企业的核心业务信息、知识资产以及决策依据。然而，随着企业业务的多元化和全球化拓展，文档处理面临着前所未有的挑战。跨国集团在全球范围内开展业务，各地分公司的文档呈现出多语言、多格式的碎片化特点，这使得传统的光学字符识别（OCR）技术与翻译链路在处理这些文档时显得力不从心。不仅处理流程冗长繁琐，而且错误率居高不下，严重影响了信息的准确性和业务的高效开展。

第四品——向量数据库检索优化Q：提高向量数据库检索准确度有好多办法，我先来看看查询转换选择查询转换 (Query Transformation) 是一个非常硬核且实用的进阶方向！🚀

╭⌒若隐_RowYet——大数据

AI Agent开发实战QuickStart考虑到目前的个人计算机都是CPU为主的机器，如果你是和笔者一样囊中羞涩却又执着于AI Agent，本地部署Ollama加载一个小模型是经济实惠的选择，并不影响你对大模型的掌握和学习，毕竟学习的目的重在通过一片落叶而看到整个秋天，而不是没有见过汪洋，就以为江河最大；

知识进脑的肖老千啊

LangGraph简单讲解示例——State、Node、EdgeLangGraph的核心主要是Graph，它是⼀个有向⽆环图，⽤于描述任务之间的依赖关系。主要包含三个基本元素： · State：一种数据结构 · Node：处理数据的节点，LangGraph中通常是一个python函数，以State为输入，经过一些操作处理后，返回更新后的State · Edge：在LangGraph中通常也是一个python函数，作用是把两个Node连接起来，形成逻辑处理路线。

免费自学 AI？这 10 个 GitHub 宝藏项目就够了！建议收藏本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在这里。如果你也想入门 AI，但不知道该从哪里开始——别担心，这几乎是每个开发者都会经历的阶段。

闻道且行之

NLP 部署实操：Langchain-Chatchat API使用方法记录继完成 Langchain-Chatchat 的完整部署与各类部署坑点排查后，本次将聚焦项目落地核心环节 ——API 接口实操应用。Langchain-Chatchat 作为轻量化、高易用性的大模型应用框架，其封装的标准化 API 是实现模型能力对接业务系统、完成二次开发的关键。本文将系统化梳理框架各类核心 API 的调用方式、参数配置、请求规范及工具调用等实操要点，清晰拆解接口使用中的核心逻辑与常见问题，为开发者快速打通模型部署与业务应用链路提供实操指引，助力高效实现大模型能力的落地复用。

大模型学习1——各类模型接入langchain，模型调用，记忆管理，工具调用本系列会设计langchain开发、RAG、langgraph本文主要介绍模型如何接入langchain，模型调用，记忆管理，工具调用,具体如下

agent基础：langchain 中 pubMed api(NCBI) 的使用2025/12/27：好久没写了，记录一下自己学习agent时遇到和解决的一些问题。pubMed是生物医学领域权威的信息检索平台，通过这个平台检索到的内容可以支持agent进行一些医疗知识问答的工作。