langchain

LangGraph 框架完全指南：构建生产级 AI 工作流LangGraph 将应用建模为状态机，每个节点是状态转换函数：定义应用的数据结构，使用 TypedDict + Annotated：

LangChain 框架完全指南：从入门到精通LangChain 是一个开源的 Python/JS 框架，用于开发基于大语言模型（LLM）的应用程序。它由 Harrison Chase 于 2022 年创建，现已成为构建生成式 AI 应用的事实标准工具。

手写 Mini Cursor：基于 Node.js 与 LangChain 的开发实战如果你一直关注 AI 领域的动态，你一定会发现近期 Agent 产品正在经历一次爆火。这背后揭示了一个深刻的行业趋势：我们正在从单纯的 LLM Prompt Engineering（提示词工程，如 DeepSeek 的使用），全面走向 Agentic Engineering（智能体工程，需要全栈开发能力）。

Splitter学习笔记（含RAG相关流程与代码实践）本次学习围绕LangChain中的Splitter（文本分割器）展开，结合文档中提供的知识点、代码案例以及RAG相关流程，系统梳理Splitter的核心概念、分类、工作原理、参数配置及实际应用场景，同时补充相关延伸知识，帮助全面理解文本分割在大语言模型应用中的重要性。笔记将从基础认知、核心知识点、代码实践、常见问题及延伸拓展五个部分展开，确保内容详实、逻辑清晰，贴合学习需求，总字数达到4000字以上。

LangChain 工具创建方法总结主要依赖库：定义的类：通过本文件学习：主要依赖库：定义的类：通过本文件学习：主要依赖库：定义的类：通过本文件学习：

LangChain入门初体验-实现简单智能体第一天我们将快速搭建开发环境，并深入理解LangChain的核心概念，最终实现一个能回答“现在几点了”的智能体（Agent）。通过这个简单的实践，你将掌握LangChain的基本工作流。

解决大模型 5 大痛点：LangChain 核心组件全解析假设你已经掌握了提示词工程，能够通过精心设计的提示词让大模型完成各种任务。但你很快会发现几个新的问题：

LLM 调用从 60s 卡死降到 3s！彻底绕过 tiktoken 网络阻塞（LangChain.js 必看）你是不是也遇到过：导致用户体验极差，接口响应时间从预期的 3-5 秒膨胀到 30-60 秒。如果你用的是：

RAG技术学习笔记（含实操解析）在AI大模型（LLM）快速发展的今天，我们在使用LLM时会遇到一个核心痛点——幻觉问题。LLM的知识来源于训练阶段输入的数据集，其知识范围被局限在训练数据的时间范围和内容覆盖内，当我们向LLM提出其未学习过的问题时，它不会直接告知“不知道”，而是会“认认真真地胡乱回答”，这种看似合理却与事实不符的输出，就是LLM的幻觉。

神秘的猪头

🚀 拒绝“一本正经胡说八道”！手把手带你用 LangChain 实现 RAG，打造你的专属 AI 知识库👋 哈喽，掘金的家人们（JYM）！大家在玩 ChatGPT 或者各种国产大模型的时候，有没有遇到过这样一个场景：你问它一个非常具体或者只有你自己知道的事情（比如“我昨天中午吃了什么？”或者“公司内部的某种加密协议是什么？”），它不仅不承认自己不知道，反而自信满满、引经据典地给你编造了一个完全错误的答案？

重塑 AI 交互边界：基于 LangChain 与 MCP 协议的全栈实践在大语言模型（LLM）爆发的初期，我们往往将其视为一个全知全能的“黑盒”。然而，随着应用场景的深入，开发者们逐渐意识到，缺乏外部上下文和实时数据交互能力的模型，其价值是有限的。模型需要“手”和“眼”，需要能够访问数据库、读取文档、调用 API。正是在这种背景下，Model Context Protocol (MCP) 应运而生。

大模型真好玩

LangChain DeepAgents 速通指南（三）—— 让Agent告别混乱：Tool Selector与Todo List中间件解析上篇文章《LangChain DeepAgents 速通指南（二）—— Summarization中间件为Agent作记忆加减法》深入探讨了LangChain DeepAgents内置的Summarization中间件。该中间件能够自动压缩对话历史，有效解决大模型上下文窗口限制的问题。本期笔者将继续深入介绍LangChain DeepAgents框架预置的两个非常实用的中间件——Tool Selector（工具选择器）和Todo List（待办列表）。这两个中间件能够帮助Agent智能体在面对复杂任务和

是一碗螺丝粉

LangChain 链（Chains）完全指南：从线性流程到智能路由在 LangChain 中，链（Chain）是将模型、提示词、解析器等组件连接成完整 AI 工作流的核心抽象。它让开发者能够像搭积木一样，标准化、模块化地构建复杂的 LLM 应用。本文将从基础语法到高级模式，带你彻底掌握链的设计与优化。

LangChain记忆：通过Memory记住上次的对话细节这个 Chain 最主要的特点是，它提供了包含 AI 前缀和人类前缀的对话摘要格式，这个对话格式和记忆机制结合得非常紧密。

神秘的猪头

🔌 给 AI 装上“三头六臂”！实战大模型接入第三方 MCP 全攻略大家好！我是你们的 AI 炼丹师。👋在前几期的文章里，我们聊了 MCP（Model Context Protocol）的概念，甚至还手搓了一个简单的本地 MCP Server。很多同学在后台私信：“道理我都懂，但每次都要自己写 Server 还是很累啊！有没有现成的轮子可以用？”

LangChain链写一篇完美推文？用SequencialChain链接不同的组件首先 LangChain 通过设计好的接口，实现一个具体的链的功能。例如，LLM 链（LLMChain）能够接受用户输入，使用 PromptTemplate 对其进行格式化，然后将格式化的响应传递给 LLM。这就相当于把整个 Model I/O 的流程封装到链里面。实现了链的具体功能之后，我们可以通过将多个链组合在一起，或者将链与其他组件组合来构建更复杂的链。

神秘的猪头

🔌 把 MCP 装进大脑！手把手带你构建能“热插拔”工具的 AI Agent各位 AI 探索者们，大家好！👋在上一篇文章中，我们拒绝了“手搓”工具的原始方式，成功编写了一个符合 MCP (Model Context Protocol) 标准的 Server，并在其中模拟了一个数据库查询工具。

是一碗螺丝粉

5分钟上手LangChain.js：用DeepSeek给你的App加上AI能力之前我的想法是这样的：ChatGPT这么强，怎么才能把它接到我的 Node 项目里？直接调 API 不行吗？

是一碗螺丝粉

LangChain 核心组件深度解析：模型与提示词模板在 LangChain 的应用开发中，模型（Models）和提示词模板（Prompt Templates）是最基础、最关键的组件。掌握它们，你就掌握了与大型语言模型高效交互的核心方法。本文将深入剖析这两个组件，从多模型管理到高级提示词工程，带你彻底理解 LangChain 的设计哲学与最佳实践。

大模型真好玩

大模型训练全流程实战指南工具篇（七）——EasyDataset文档处理流程上篇内容大模型训练全流程实战指南工具篇（六）——OCR工具实战指南（以DeepSeek-OCR-2为例）笔者分享了如何利用DeepSeek-OCR-2将各类文档统一转换为标准的Markdown格式。从本期开始，笔者将聚焦于如何对这些已格式化的文档进行进一步处理，最终构建出可供大模型训练的高质量数据集。