langchain

马里马里奥-

大模型应用开发笔记04:LangChain 工具（Tool）与中间件（Middleware）详解在 LangChain 构建智能体的过程中，我们经常会遇到两种核心机制：工具（Tool）和中间件（Middleware）。它们看似都是对请求的某种处理，但触发时机、执行逻辑和应用场景截然不同。

LangChainJS之Chain链(四)前面几章，我们了解如何使用消息大模型，使用prompt提示词，Runnable是什么。如果你对于大模型使用、prompt提示词、Runnable不太了解，可以先看看前面几章。下面我们将继续学习讨论Chain链。

手搓一个迷你版 Cursor：从零实现能自动写代码的编程 Agent我一直没搞明白那些编程 Agent 到底是怎么自己创建项目、改代码、跑命令的。Cursor 点一下就能生成整个项目，Claude Code 还能边跑边改 bug，看着特别神奇。直到这周硬着头皮写了个百来行的迷你版本，才算是把整个流程摸透了。

先吃饱再说

组合多个远程 MCP Server：让 Agent 同时调用高德地图、Chrome DevTools 和文件系统摘要：一个 Agent 如果能同时调用高德地图查位置、用 Chrome DevTools 打开网页、用 FileSystem 写入文件，它就能完成多么复杂的任务？本文用 LangChain 的 MultiServerMCPClient 连接多个 MCP Server——本地、远程 HTTP、stdio 三种方式全涵盖——构建一个能跨进程调用多种工具的 Agent。

先吃饱再说

跨进程调用工具：MCP + LangChain 让 Agent 不再“锁死”在单一语言摘要：本地编写的 Tool 只能在当前项目中使用，换一个项目就要重写。MCP 协议让 Tool 可以独立于 LLM，实现跨进程、跨语言调用。本文用 LangChain 的 MCP 适配器连接 MCP Server，获取 Tools 和 Resources，构建一个能跨进程调用工具的 Agent。

【LangChain 1.x】04、模型调用方式｜invoke、stream、batch、异步调用上篇，介绍了 LangChain 1.x Models 模型层架构、两种模型初始化方式对比、统一入口 init_chat_model 的使用方法

第二周概述第一周我们把 AI 助手的前后端骨架跑通了，AI 已经能聊天、能结构化回答、还能调用工具查订单，但它回答问题时依赖的始终是模型自身的通用知识，一旦涉及公司内部的售后政策、产品说明这类专属资料就无能为力。第二周的目标就是补上这个短板，花五天时间完成知识库管理页面和文档问答能力的搭建，让 AI 从"什么都能聊几句"变成"真正懂公司业务"。五天的节奏依然是层层递进，先解决文档怎么管的问题，再解决文档怎么处理的问题，然后让 AI 真正基于资料回答，接着补上引用溯源，最后再做一个调试页面来检验检索效果是否可靠。

远程 MCP 项目实战：LangChain 连接高德地图、Chrome DevTools 与文件系统大模型本身擅长理解语言、分析问题和生成内容，但它并不天然具备访问外部世界的能力。比如让模型查询附近酒店、打开浏览器、截图页面、读取本地文件、把结果写入 Markdown 文档，这些事情都不是单靠模型参数就能完成的。

LangChain 实战指南：回调系统、自定义组件与有状态对话全落地在LangChain实际项目开发中，原生内置的文档加载器、检索器、日志能力仅能满足通用场景。面对私有文件格式、定制化检索逻辑、全链路日志监控、多轮会话持久化等企业级需求时，必须掌握LangChain自定义开发能力。

61-LangChain-vs-LlamaIndex-选型对比-功能矩阵-混用实践📖 文章简介：本文针对"LangChain和LlamaIndex到底该选哪个"这个LLM开发者的高频困惑，从功能定位、架构哲学、典型场景三个维度做一次不偏不倚的横向对比。文章绘制了功能覆盖矩阵图，拆解了两者在数据处理管道（Ingestion Pipeline vs Document Loader）、检索策略（高级索引 vs RetrievalQA）、Agent能力上的差异化设计，并给出三种混用方案：以LlamaIndex为数据层+LangChain为编排层的协同架构。适合已经上手其中一个框架、正在评估

零基础实战：用 LangChain 搭建本地 RAG 知识库系统在 AI 应用爆发的今天，大模型虽然拥有强大的语言理解能力，但往往面临“知识过时”、“一本正经地胡说八道（幻觉）”以及“无法读取企业私有数据”三大痛点。检索增强生成（RAG）技术正是解决这些问题的最佳方案。本文将带你使用 Python 和 LangChain 框架，从零搭建一套完全离线、免费、数据安全的本地 RAG 知识库问答系统。一、 RAG 核心原理与架构设计 RAG（Retrieval-Augmented Generation）的核心思想是“先检索，再生成”。其标准工作流包含以下几个关键步骤：数

可涵不会debug

从向量嵌入到复杂 Agent：LLM、LangChain、LangGraph 完整科普我挖掘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。我们上一节讲解了大语言模型LLM，这节课我们来讲解嵌入模型~

第13章评估与评测：如何衡量Agent的好坏前面十二章我们完成了AI Agent底层原理、工具开发、交互可视化、四大垂直场景实战项目的全流程落地。很多开发者会遇到一个核心问题：Agent功能能跑，但如何证明它跑得好、跑得稳、跑得高效？

基于Langchain得AI Agent相关知识学习OpenAI 库是 OpenAI 官方推出的 Python SDK，核心作用是让开发者能简单、高效地调用 OpenAI 的各类 API（如 GPT 聊天、DALL・E 绘图、语音转文字等），无需手动处理 HTTP 请求、身份验证等底层细节。

艾莉丝努力练剑

【AI面试】AI八股文🎬 艾莉丝的简介：uu们，本文的内容到这里就全部结束了，艾莉丝在这里再次感谢您的阅读！不要忘记给博主“一键四连”哦！

1.LangChain概述随着 v1.x 系列版本的发布，LangChain 进行了彻底的架构重构与瘦身，其核心包实现了最小化，不同的模型供应商分离为独立包：

马里马里奥-

大模型应用开发笔记03：LangChain 中间件实战在使用 LangChain 构建智能体应用时，我们经常需要在智能体执行的不同阶段插入自定义逻辑——比如在消息发给大模型之前做预处理、在模型返回结果后做后处理、或者包装整个模型调用链路。这些需求都可以通过 LangChain 的中间件（Middleware）机制优雅地实现。

Langchain【3】---提示词模板、输出解析、LCEL链式调用做AI应用绕不开LangChain，很多新手入门时只会简单调用llm.invoke()，一旦遇到多变量提示词、结构化数据返回、多步骤业务流程就束手无策。本文从零拆解LangChain三大核心基石：提示词模板、输出解析器、LCEL链式调用，覆盖基础语法、实战场景、选型对比、生产级优化方案，全部配套可直接运行代码。读完你就能搭建标准化、可复用、易维护的AI流水线，告别零散、混乱的模型调用代码。

手搓 LangChain 工具调用：原来 Agent 的核心逻辑，就是个 while 循环昨天想写个能自己读本地代码的 AI 助手，用的 DeepSeek + LangChain，结果卡了快一小时。我心想不就是把读文件的工具注册给模型吗，调完 invoke 它自己就该去读文件然后给我解释啊。结果每次调用完，模型都规规矩矩返回一段话，说 “好的我这就去读文件”，然后就没下文了，半字不提文件内容。当时我懵了，难道是我工具绑错了？还是 DeepSeek 不支持工具调用？

LangChain 学习记录 01：为什么需要 LangChain？从 API 调用到 AI 应用框架本文适合刚开始学习 LangChain，已经听过大模型 API，但还不清楚“为什么要多学一个框架”的同学。关键词：LangChain、大模型应用、LLM、RAG、Agent、LangGraph、Deep Agents