u013607702的博客

但是我发现了一个问题就是，如果你再问他一个问题，who are you ，Agent就困惑了，他不知道需不需要去使用工具，结果进入了一个死循环，这是Agent的一个问题。这个agent在运行的时候，也会有不知道何时使用工具的问题。

有很多教程把Agent称为“代理”，我觉得这个翻译太没意思了，一来和Proxy很容易混淆，二来一点都不酷。之所以把Agent翻译成智能体，是因为Agent可以（在LLM推理分析的帮助下）可以自己识别、选择和使用工具，这个就是智能体的表现。人之所以能走上进化的道路，一来是发明了语言，二来是学会了使用工具。就这两点来看，把目前的Agent称为智能体一点也不为过。

回调（callback）是一个python中常用的技术，在langchain中回调作为一个主要模块主要应用在运行过程管理、查看日志、计算token等场景。

上节课我们介绍了如何利用langchain去加载互联网页面内容（中文信息）、向量化和利用大语言模型进行查询，这节课我们讲一下Langchain的记忆模块。我们利用langchain构造最多的就是聊天机器人，而要进行聊天的业务功能，就必须使得大语言模型能够获得上下文，这样对话才能继续。

上一节课我们介绍了数据库查询的方法，我们可以通过自然语言、借助langchain的数据库查询链实现SQL的自动生成、执行和回答。除了数据库，互联网也是我们丰富的数据来源。本节课介绍如何将互联网网页的信息进行抓取和查询。

answerfinal_chain.invoke({"question": "user表里有多少个admin用户?"})final_chain里面的RunnablePassthrough方法我们之前在【2024最全最细Lanchain教程-7】Langchain数据增强之词嵌入、存储和检索-CSDN博客里遇到过，他的作用是接收和传递参数。

上一节课我们已经完成了数据的加载和转换，下面我们来看数据的词嵌入和存储是如何做的；我们来看一个完整的数据增强业务过程，尤其注意检索器retriever的构造和使用方法

数据增强是指“利用大模型以外的数据来增强应用的数据获取和提供能力”。数据增强之所以存在的一个根本原因在于——大模型自身无法包含所有数据。不管是ChatGPT或者其他大模型，他们都是预训练模型，这就意味着他们总有一个截止日期，不可能包含昨天或者今天互联网上产生的最新数据。而且在一些场景下，比如TOB业务中，企业会有自己的私有数据，甚至模型部署也是本地化的，而集成企业内部数据是一个非常重要的工作，这些场景和需求都需要我们的应用具备使用大模型之外数据的能力，这种能力就被称为数据增强。

我们使用的聊天包装器输出的是一个AIMessage类型的消息体，而我们在组建chain链的时候，往往需要输出str或者其他格式的输出，因此这里会引入输出解析器的概念，它的作用把langchain的输出进行格式转化

【代码】【2024最全最细Langchain教程-4 】Langchain模型I/O之提示Prompt（二）

在上一节课中，我们开始使用 response = llm.invoke("") 这个命令开始进行大模型的调用，但是用户的输入可能很复杂、还可能带参数，所以我们要学会使用模板来进行输入内容的组织，因此我们就需要使用Prompt（模板 or 提示）。langchain官网是这样解释prompt的： "提示" 指的是模型的输入。这个输入通常不是硬编码的，而是通常由多个组件构成的。我们来看一个最简单的模板。

如何使用langchain的LLM模型包装器和聊天模型包装器进行openai调用

1. 安装和引入openai库2. 创建OpenAi对象3. 调用openai的内置方法，输入消息和模型选择4. 没有梯子国内也可实现openai访问5. 使用免费模型的方法