以0和1为基因，在赛博空间搭建诗意的代码迷宫；用AI与算法作羽翼，在数字穹顶下翱翔创新的无垠天际。这里有前沿技术的深度拆解，有编程美学的多维探索，邀您共赴一场科技与诗意交织的未来盛宴。

摘要：本文介绍如何从零搭建一个企业级私有知识库问答系统，涵盖完整技术栈和实现流程。系统采用LangChain框架，结合本地化部署的Ollama模型，实现敏感数据的安全处理。核心架构包括文档处理流水线、混合检索系统（向量+关键词+重排序）、智能Agent工作流、FastAPI后端服务和Docker容器化部署。通过混合检索策略提升查询准确率，利用流式响应优化用户体验，最终构建一个支持多格式文档、具备语义理解能力的企业内部知识助手。系统完全私有化部署，确保数据不出内网，适用于...

文章摘要 本文系统讲解了LangChain项目中的性能调优技术，重点解决生产环境中的三大挑战：Token消耗爆炸、重复请求低效和高并发延迟问题。主要内容包括： Token优化：通过tiktoken精确计算token消耗，调整chunk大小和重叠，智能截断冗余上下文 缓存机制：实现内存/SQLite精确缓存和基于向量相似度的语义缓存 并发处理：利用异步API和批量请求提升吞吐量 性能监控：建立token消耗、延迟和缓存命中率等关键指标 文章提供了可落地的代码示例和优化策略，帮助开发者将LangChain...

摘要 本文介绍了如何将LangChain的AI能力封装为生产级API服务，使用FastAPI框架实现前后端分离架构。主要内容包括： FastAPI基础：高性能异步Web框架，支持自动文档生成和类型安全 API设计： 同步/异步调用方式对比 流式输出实现（Server-Sent Events） 请求/响应模型定义 关键技术： 会话状态管理（内存/Redis） 跨域资源共享(CORS)配置 错误处理与日志记录 部署方案： Uvicorn运行 Docker容器化 Nginx反向代理 前端集成：演示如何通过...

LangGraph 是 LangChain 生态中的工作流编排工具，专注于处理多节点、复杂业务流程的自动化管理。其核心设计基于状态机模型，允许开发者通过定义状态和节点间的流转逻辑，构建灵活且可扩展的业务流程。LangGraph 支持多节点并行执行、条件分支和循环控制，适用于需要动态调整路径的场景，如对话系统、数据处理流水线或决策引擎。通过可视化编排界面，开发者可以直观地设计工作流，减少代码冗余，提升开发效率。

本节课系统讲解LangChain生态中三类核心工具的实现与应用： 网页爬虫工具：基于requests+BeautifulSoup实现安全网页抓取，处理动态内容与反爬机制 计算工具：采用numexpr库实现安全数学表达式计算，避免eval的安全风险 API调用工具：设计受限制的通用API调用器，支持白名单域名与GET请求 课程包含： 工具设计的核心要素（名称/描述/参数Schema/异常处理） 三类工具的具体实现方案与安全考量 工具注册到Agent的完整流程 综合实战案例：构建智能调研助手...

摘要 本课程深入讲解如何自定义LangGraph Agent系统，重点涵盖工具注册管理、多工具编排调度和错误处理机制。主要内容包括： 工具注册与发现：使用@tool装饰器定义工具，构建中央注册表管理工具元数据 多工具编排：实现顺序执行、并行调用、条件分支等高级工作流模式 自定义Agent逻辑：超越标准LLM决策，引入硬编码规则和状态机控制 错误处理机制：工具调用失败时的自动重试和备选方案切换 状态共享：通过中间结果字典实现工具间数据传递 课程包含"旅行规划...

课程摘要 本节课深入探讨了两种主流Agent模式：ReAct和OpenAI Function Calling。ReAct通过提示词模板引导LLM输出结构化响应，兼容任何文本生成模型；Function Calling则利用模型原生API支持结构化工具调用，可靠性更高。课程对比了两种模式的优缺点，并演示了如何使用LangGraph的create_react_agent统一接口快速构建Agent。学习目标包括掌握两种模式的实现原理、适用场景，以及完成基于本地模型和API模型的实战项目。

摘要 本文深入讲解LangChain Agent的核心概念与实现方法，重点介绍基于LangGraph框架构建智能代理的新范式。主要内容包括： Agent核心概念：Agent是能够自主决策、调用工具并执行多步推理的LLM系统，包含工具(Tools)、LLM大脑和执行环境三大要素，采用ReAct(Reasoning+Acting)循环模式工作。 技术演进：对比新旧架构，指出传统AgentExecutor已被废弃，推荐使用LangGraph这一基于状态机的新框架，具有更灵活的控制流和状态管理能力。 实现原理...

摘要 本文深入探讨了RAG（检索增强生成）系统的三大核心技术优化方案，旨在解决基础RAG在实际生产环境中的痛点问题。课程重点讲解了重排序（Re-ranking）、**上下文压缩（Context Compression）和混合检索（Hybrid Search）**的核心原理与实现方法。 核心内容： 混合检索：结合BM25关键词检索与向量语义检索，通过RRF融合算法提升召回率与精确匹配能力。 重排序技术：利用Cross-Encoder模型对初筛结果进行精排，修正向量检索的排序偏差。 上下文压缩：通过LLM提取文

手写RAG完整流程：从文档加载到答案生成 课程摘要 本课程深入讲解如何从零开始实现一个完整的RAG（检索增强生成）系统，不使用任何预封装的高级链，而是手写每个环节。课程内容涵盖： 文档加载：读取本地TXT文件 文本切片：使用递归字符分割器将文档切块 向量化与存储：用嵌入模型将文本转为向量并存入向量库 检索：将用户问题向量化并从库中召回相关块 生成：构建提示模板调用大模型生成答案 通过本课程，学员将掌握RAG系统的核心实现原理，能够独立编写完整的RAG流程代码，为后续高级优化打下坚实基础。课程采用LangCh

RAG底层运行原理剖析 RAG系统的核心流程可分为离线索引构建和在线问答两个阶段： 1. 离线索引构建 文档预处理：通过文本分割器将原始文档切分为语义连贯的chunk（通常200-500字符） 向量编码：使用嵌入模型（如BGE、OpenAI embeddings）将文本块转化为768-1024维向量 向量存储：采用近似最近邻算法（ANN）建立索引，支持高效相似度检索 2. 在线问答流程 查询编码：用户问题通过相同嵌入模型向量化 语义检索：在向量空间执行k-NN搜索，返回Top-K相似文档块 上下文组装...

摘要 本文系统介绍了LangChain中的三种文本分割器及其在RAG系统中的应用。文本分割是连接文档加载与向量存储的关键环节，能有效解决嵌入模型的输入限制、检索粒度等问题。文章首先分析了文本分割的必要性，指出512字符块长与10-20%重叠是最佳实践。随后详细解析了三种分割器：字符分割器（简单快速但破坏语义）、递归分割器（官方推荐，保持语义边界）和语义分割器（基于嵌入模型的智能切分）。重点阐述了递归分割器的工作流程与参数调优，以及语义分割器利用向量相似度实现话题感知切割的原理。最后提供了环境配置指南和实战建

本文摘要： 本文是LangChain第18课，系统讲解文档加载器(Document Loaders)的核心技术与实战应用。课程首先回顾了RAG系统流程，强调文档加载作为数据入口的关键作用。通过剖析Document数据结构、BaseLoader接口设计原理，深入讲解四大类文档加载器：纯文本(TXT/Markdown)、PDF(PyPDFLoader/UnstructuredPDFLoader)、Word(UnstructuredWordDocumentLoader)和网页(WebBaseLoader/Asyn

LangChain结合FAISS向量数据库，为海量文档检索提供高效解决方案。FAISS（Facebook AI Similarity Search）通过优化的向量索引技术，显著提升相似性搜索速度，尤其适合处理高维向量数据。LangChain作为开发框架，简化了FAISS的集成流程，支持快速构建基于语义的检索系统。通过嵌入模型将文档转化为向量，FAISS建立索引并实现毫秒级检索。LangChain的模块化设计支持灵活配置检索策略，包括分块...

本地知识库构建与语义检索实战 本文介绍如何使用LangChain和Chroma向量数据库构建本地知识库，实现高效的语义检索功能。通过完整的文档处理流水线，将PDF、Word等文档转化为可检索的向量形式，并支持基于语义相似度的查询。 核心流程与技术要点 文档处理流水线： 文档加载：支持多种格式（PDF/Word/Markdown） 文本分割：采用递归字符分割器保持语义完整 向量化：使用本地嵌入模型生成文本向量 存储检索：利用Chroma实现高效向量检索 关键技术： 文本切块策略：通过chunk_size...

文章摘要 本文深入探讨了RAG系统中的两大核心技术：嵌入模型和向量数据库。嵌入模型将文本转化为高维向量，实现语义搜索而非简单关键词匹配，其中MTEB基准是评估模型质量的重要标准。主流嵌入模型可分为云端API、开源本地部署和CPU端侧三类，各有适用场景。向量数据库则通过高效索引算法实现快速相似性检索，是RAG系统的"记忆体"。文章还提供了详细的环境配置指南和模型选型建议，为构建完整的语义搜索系统奠定基础。后续课程将在此基础上展开文档加载、文本分割等RAG核心组件的学习。

摘要 本文深入探讨了LangChain中的摘要记忆机制及其演进方向。核心内容包括： 摘要记忆原理：通过AI自动提炼对话核心内容，将旧对话压缩为精炼摘要，解决Buffer Memory无限膨胀问题。 技术实现： ConversationSummaryMemory动态更新摘要文本 ConversationSummaryBufferMemory采用混合策略（保留最近对话+摘要压缩旧历史） 版本演进： 旧版摘要记忆组件已被标记为废弃 新版推荐使用LangGraph Checkpointer实现更灵活的摘要功能 应用

摘要 本文系统梳理了LangChain记忆组件的演进历程，重点解析了ConversationBufferMemory的设计缺陷及其被InMemoryChatMessageHistory替代的原因。旧版ConversationBufferMemory存在接口耦合、语义混乱等问题，而新版通过BaseChatMessageHistory接口实现存储与业务逻辑解耦。InMemoryChatMessageHistory作为轻量级内存存储基座，采用消息对象列表存储对话历史，更符合现代聊天模型的数据格式，支持灵活扩展..

文章摘要 本文深入探讨了LangChain的记忆系统架构演进，重点介绍了新版记忆管理体系的核心组件和使用方法。主要内容包括： 记忆系统的重要性：解决大模型无状态问题，实现上下文连贯性（73%用户认为直接影响使用体验）和个性化交互。 新旧架构对比： 旧版（v0.2）使用ConversationBufferMemory等已被废弃的API，存在耦合深、扩展性差的问题 新版（v0.3+/v1.0）采用BaseChatMessageHistory接口和RunnableWithMessageHistory包装器，实现存

摘要：本文系统介绍了LangChain中任务编排的核心技术，从传统顺序链到现代LCEL流水线的演进路径。主要内容包括： 编排范式对比：传统SimpleSequentialChain与现代RunnableSequence的差异，后者支持流式处理和异步调用 核心组件解析： RunnableSequence实现线性数据管道 RunnableBranch完成条件路由分发 RunnableParallel实现并行任务处理 实战案例： 多步顺序链（大纲生成→脚本扩展） ...

摘要 本文系统讲解了LangChain中即将被废弃的LLMChain和ConversationChain组件，帮助开发者理解其历史作用、当前局限及迁移路径。主要内容包括： 组件解析： LLMChain作为最早的"模型+模板"封装，已在0.1.17版本标记废弃 ConversationChain作为带记忆的对话链，在0.2.7版本废弃 迁移方案： 推荐使用LCEL的prompt | llm管道操作替代LLMChain 用RunnableWithMessageHistory+ChatMess

摘要 本文系统介绍了LangChain中的核心组件Chain（链）及其现代实现方RunnableSequence。主要内容包括： Chain的本质演变：从旧版LLMChain到现代RunnableSequence+LCEL的转变，Chain成为连接组件的“逻辑流水线”。 核心概念解析： Runnable作为统一接口的可执行单元 LCEL表达式语言通过管道符组合组件 RunnableSequence的惰性求值特性 技术实现原理： 惰性求值带来的序列化和调试优势 流式输出和批处理的底层机制...

OutputParser是LangChain框架中用于处理模型输出的核心组件，能够将非结构化的文本转换为结构化数据（如JSON、字典或自定义对象）。通过预定义解析规则，OutputParser确保模型输出的格式符合下游任务的需求，提升数据可用性。在JSON格式化实战中，OutputParser可将自然语言描述转换为标准JSON结构，适用于API交互或数据存储场景。

文章摘要： 本文深入解析LangChain中ChatPromptTemplate的核心机制与应用场景，重点讲解如何通过System/Human/AI三消息架构构建专业对话系统。主要内容包括： 角色分工：System消息设定AI行为准则（权重最高），Human消息承载用户输入，AI消息记录模型回应，三者形成完整的对话编排体系。 六种消息格式：详细剖析from_messages支持的元组简化语法、BaseMessage实例等六种模板构建方式，及其适用的开发场景。 动态注入机制：通过MessagesPlaceho

摘要 本文系统介绍了LangChain中的Few-Shot Prompting技术，重点讲解FewShotPromptTemplate的四大核心要素（示例库、格式化器、前缀/后缀、选择策略）和三种内置示例选择器（长度选择器、语义相似度选择器、MMR选择器）。文章通过生活类比阐释了Few-Shot的核心价值，对比分析了不同选择器的适用场景，并深入剖析了底层运行原理。此外，还介绍了FewShotChatMessagePromptTemplate在聊天模式中的应用，以及上下文工程的四大策略。文中包含详细的...

LangChain的PromptTemplate是构建高效提示词的核心工具，支持动态变量传参和模板自定义，显著提升与大模型交互的灵活性和可控性。通过预定义模板结构，用户可嵌入变量占位符（如{input}），运行时传入具体值生成最终提示词，适用于问答、摘要、代码生成等多样化场景。自定义模板支持多变量嵌套、条件逻辑和格式化控制，例如结合template.format()方法实现动态内容填充。

本文介绍了如何使用Ollama和LangChain实现本地私有化部署大模型，摆脱云端依赖，确保数据安全。主要内容包括： 环境准备：硬件配置评估（从1B到70B模型的推荐配置）、Ollama跨平台安装指南（Windows/macOS/Linux）、模型选择建议（不同规模模型的中英文能力对比） 核心概念：Ollama作为"大模型版Docker"的三大功能（模型仓库、管理、推理服务），与LangChain的集成架构（基础调用...

LangChain作为大模型应用开发框架，支持灵活接入多种主流大模型，包括OpenAI、通义千问、DeepSeek等。通过统一的API接口和模块化设计，开发者可快速实现模型调用、上下文管理及功能扩展。OpenAI接入需配置API密钥，通过ChatOpenAI类调用GPT系列模型。通义千问和DeepSeek需使用自定义封装或HTTP请求，LangChain提供LLM基类便于适配不同厂商的接口规范。通用调用流程包括初始化模型实例...

摘要 Python高级特性速成 异步编程（async/await）实现非阻塞I/O操作，LangChain通过ainvoke/astream支持并发请求 类型提示（Type Hints）提升代码可读性，如Runnable[Input, Output]泛型标记 上下文管理器（with）自动管理资源，用于回调函数和数据库连接 生成器（yield）实现流式输出，核心是逐步返回而非一次性处理 LangChain设计精髓 Runnable抽象 统一调用接口...

本文是《LangChain从入门到精通》系列课程的第一课，系统介绍了LangChain框架的核心概念、架构分层和开发环境搭建。课程首先明确了学习目标，包括理解LangChain的四大核心能力组件、掌握整体架构分层、版本选择策略等。文章详细讲解了LangChain解决的三大核心痛点（模型交互重复工作、记忆与外部知识管理、复杂任务处理），并通过餐厅点餐的类比形象解释了核心组件功能。在环境准备部分，提供了详细的Python环境配置指南和两种替代OpenAI...