本文介绍了AI生产力工具LangSmith的Tracing功能实操指南。主要内容包括：1）环境准备，需安装相关库并获取API key；2）LangChain程序与LangSmith平台的对接方法；3）使用LangSmith调试Prompt的技巧；4）在线数据标注和收集操作，为后续自动化评估做准备。文章指出LangSmith能有效解决LLM应用生产级维护需求，包括指标监控、Prompt版本管理、系统评估和数据集管理等核心问题，提供可视化操作界面并与LangChain无缝集成。官方文档和平台入口也已提供，方便开

本文介绍了开源AI应用维护平台LangFuse的使用方法，该平台可作为LangSmith的替代方案，支持与LangChain集成或直接对接OpenAI API。主要内容包括：1) 环境准备步骤，包括注册账号、创建项目、生成密钥和安装依赖包；2) 两种集成方式（OpenAI API和LangChain）的具体实现方法；3) 通过代码示例演示如何设置环境变量、创建跟踪记录并与OpenAI API交互。该平台可帮助开发者有效监控和管理AI应用运行状态。

本文介绍了安装LangChain相关开发环境的步骤。通过执行pip install命令，安装了包括langchain、openai、langserve、fastapi、uvicorn和sse_starlette在内的多个Python包及其依赖项。安装过程中自动下载并安装了所需的各种组件，如数据处理库dataclasses-json、网络请求库httpx、高性能JSON解析器orjson等。这些工具将为构建基于LangChain的AI应用提供必要的开发环境支持。安装过程显示所有依赖包均已成功下载并满足版本要求

多智能体协作框架通过专业化智能体协同处理复杂任务。AutoGen采用对话驱动模式，支持动态协商，适合代码审查等灵活交互场景。CrewAI基于角色分工，明确定义职责目标，适合内容创作等结构化任务。GraphRAG利用知识图谱增强检索，擅长从数据中提取深层洞察。三大框架各有侧重：AutoGen强在动态协作，CrewAI长于分工明确，GraphRAG专精知识推理。选择需考虑任务特性，共同推动智能体协作技术发展。

摘要： 本文深度剖析LangChain和LangGraph两大智能体开发框架。LangChain作为模块化LLM应用框架，提供链式调用和组件化开发能力，支持多步推理流程构建。LangGraph基于图结构编排复杂智能体系统，实现状态管理和条件执行。两者形成互补生态，覆盖从简单链式调用到复杂智能体系统的全场景需求。文章详细解析了技术架构、核心原理（如链式调用/图遍历机制）和实战案例（如法律咨询系统），并给出框架选型建议。该生态具有成熟的工具链、丰富的RAG支持和开源模型兼容性优势。

检索增强生成(RAG)技术通过结合信息检索与文本生成，显著提升了大型语言模型的性能。该技术核心在于重排序器，它能够优化初始检索结果，确保为模型提供最相关的上下文。文章详细介绍了2025年主流重排序模型的特点、性能及适用场景，包括Cohere、BGE、Voyage等商业和开源方案。同时阐述了评估重排序器有效性的关键指标，并为选择适合的重排序器提供了决策框架。RAG技术的进步使得AI应用能够生成更准确、可靠的回答，但需要根据具体需求在准确性、速度、成本之间做出权衡。

# 文章摘要 本文介绍了使用LangChain和Milvus构建RAG（检索增强生成）问答系统的完整流程。首先通过`DirectoryLoader`和`TextLoader`加载文档，使用递归切分器进行文本分块。然后创建Milvus向量数据库集合，将文档块通过OpenAI的text-embedding-ada-002模型嵌入后存储。最后构建RetrievalQA链，结合GPT-4o-mini模型实现基于检索的问答功能。系统可查询文档内容（如企业概况），并返回参考来源，演示了从文档处理到智能问答的端到端实现。

百得利集团是中国领先的豪华及超豪华汽车经销与服务集团，成立于1998年，总部位于北京，代理宾利、保时捷、奔驰、宝马等品牌。截至2025年，拥有15家4S经销店，覆盖全国8个省市。集团业务涵盖汽车销售、售后服务、金融保险及创新业务，致力于为客户提供全生命周期服务。2021年在

这样的融合不仅最大化发挥了大语言模型在内容生成方面的优势，还利用引入的上下文对其输出进行了有效约束，显著提升了响应的相关性与可信度。更进一步地，这种方式也实现了将私有数据嵌入大模型应用的目标——在不直接修改模型参数的前提下，使模型能够“理解并利用”企业内部或专属的知识数据，从而实现公私数据结合、语义生成与知识调用并重的双赢效果。它的核心机制是将外部信息检索与大模型的生成能力结合起来：先通过检索模块从海量文档中提取出与问题高度相关的文本片段，再由大语言模型对这些片段进行理解、整合，并生成最终的回答。

本文介绍了多智能体(Multi-agent)系统的设计与实现方法。当单个代理难以处理多领域任务时，可将系统分解为多个独立代理组成的协同网络。文中重点对比了两种主流架构：1)由中央Supervisor协调的集中式架构；2)基于专长动态切换的Swarm分布式架构。通过Python代码示例，展示了如何使用langgraph-supervisor库构建一个Supervisor主导的旅行预订系统，包含航班和酒店两个专业代理。系统能智能解析用户复合需求（如同时预订航班和酒店），并自动路由到相应代理执行。该方案有效解决了

本文介绍了如何通过LangGraph代理集成MCP（模型上下文协议）工具。MCP是一种开放协议，用于标准化语言模型的工具调用方式。通过安装langchain-mcp-adapters库，开发者可以创建能同时调用多个MCP服务器工具的代理。示例代码展示了如何配置数学计算（stdio模式）和天气查询（HTTP模式）两种MCP服务，并使用Deepseek模型构建反应式代理。执行过程包括启动MCP服务器、建立客户端连接、获取工具列表，最后通过代理分别处理数学计算和天气查询请求。日志显示了HTTP请求的详细过程，包括

本文介绍了LangChain中代理(agent)模型和工具的配置方法。在模型部分，详细说明了如何选择支持工具调用的模型、通过名称或init_chat_model初始化模型、使用特定提供商的LLM类、禁用流式传输、添加模型回退机制等。工具部分则讲解了如何定义简单工具和自定义工具、处理隐藏参数、控制并行工具调用、强制使用特定工具、直接返回工具结果以及错误处理等。这些功能为构建灵活、稳健的对话代理系统提供了全面的技术支持，使开发者能够根据需求定制模型行为和工具使用方式。

本文介绍了如何在LangGraph聊天机器人中实现自定义状态管理。主要内容包括：1）通过TypedDict扩展State类，添加name和birthday字段来存储实体信息；2）在human_assistance工具中实现人工审核流程，使用interrupt方法获取人工输入，并通过Command对象更新状态；3）演示了如何查询LangGraph的发布日期，并通过人工审核工具验证信息的准确性。这种设计使聊天机器人能够处理复杂查询，同时确保信息的正确性，适合需要人工审核的生产环境。

本文介绍了如何使用LangChain框架实现对话记忆功能。通过代码示例展示了如何初始化ChatOpenAI模型，配置对话工具，并创建状态图来管理对话流程。重点演示了MemorySaver记忆模块的应用，使AI能够记住用户信息（如名字"威尔"），并在后续对话中正确调用。文章还展示了如何查看对话状态快照，验证记忆功能的有效性。最后通过流程图直观呈现了整个对话系统的架构和工作原理。

本文介绍了如何使用LangGraph框架构建一个可交互的聊天机器人。首先配置开发环境并加载API密钥，然后定义状态图和聊天机器人节点功能。通过添加节点、构建边（包括特殊的START和END节点）并编译图，实现了基本的对话流程。文章还展示了三种图形可视化方法（Mermaid.Ink、Pyppeteer和Graphviz）来帮助理解节点关系，并演示了如何通过invoke方法启动对话。最终构建的聊天机器人能够接收用户输入并返回AI助手的自我介绍，展示了DeepSeek Chat的功能特点和服务范围。

LCEL（LangChain表达式语言）概念，它是一种声明式语言，用于通过链式组合不同模块实现复杂功能。LCEL的核心优势在于提供统一接口、模块化操作和良好扩展性。文章重点解析了Model I/O模块的三个核心部分：Prompt Template（动态提示词管理）、Predict（模型推理抽象）和Output Parser（输出规范化）。通过对比传统方式和LCEL方式的代码示例，展示了LCEL如何简化大模型应用开发流程，实现prompt、model和output parser的管道式组合调用（|操作符）。

本文介绍了基于SQL数据库构建问答系统的实现方法，主要采用链式结构和代理架构两种方式。系统通过三个核心步骤工作：将自然语言问题转换为SQL查询、执行查询、将结果转换为自然语言回答。文章使用Chinook音乐商店数据库作为示例，该数据库包含艺术家、专辑、曲目、客户、发票等11张表，展示了表结构和关系。通过SQLAlchemy连接SQLite数据库，详细说明了数据库表信息获取方法。系统架构适用于处理结构化数据查询，与处理非结构化文本的向量搜索方法形成对比，为构建数据库问答系统提供了实用指南。

LangChain 支持通过聊天模型的工具调用功能，从非结构化文本中提取结构化信息。开发者可使用 Pydantic 定义提取目标的数据 Schema，结合少样本提示优化提取效果。推荐做法包括详细记录属性含义、使用 Optional 避免模型强行生成缺失信息。提取器本质为生成式，支持处理模糊或单位不一致的数据。对于多实体提取，可通过嵌套模型实现。LangChain 提供 tool_example_to_messages 工具函数，简化模型调用消息序列构造，适配多种模型提供商，助力高质量信息抽取任务。

在 LangChain 中，结构化输出允许语言模型根据预定义的 Schema 返回符合格式要求的结果，适用于表单抽取、数据库写入等场景。通过 Pydantic 定义属性类型、描述及可选枚举值，可精细控制模型输出内容。相比将结构体写入提示中，推荐使用 with_structured_output() 方法或工具调用机制，将 Schema 作为工具绑定至模型，利用模型原生的结构化输出能力。这不仅提升了输出一致性与可解析性，也便于下游系统集成与自动化处理。

RAG（Retrieval-Augmented Generation）是一种结合外部知识检索与语言生成的技术，广泛用于构建高质量的问答系统。典型 RAG 应用分为两个阶段：索引阶段包括文档加载、文本切分、向量嵌入与向量存储；检索与生成阶段基于用户问题检索相关内容并交由 LLM 生成答案。LangChain 提供丰富的组件支持 RAG 构建，配合 LangGraph 可实现多步骤、可追踪的问答流程。通过 RAG，可以显著提升 LLM 在领域知识问答场景下的准确性与可信度。

LangChain 覆盖开发、评估、部署全流程。通过模块化设计，LangChain 提供了统一的模型输入输出（Model I/O）、文档检索（Retrieval）、多模块编排（Chains）、对话记忆（Memory）、智能体系统（Agents）等核心能力。自 v0.3 起，LangChain 引入了更清晰的模块划分，包括 langchain-core、langchain、langchain-community 及强大的编排层 LangGraph，支持更灵活的开发与生产部署。

LangChain 概念指南摘要 LangChain 是一个用于构建 AI 应用程序的框架，提供了一系列关键概念和组件。本指南概述了 LangChain 的架构和价值主张，详细介绍了包括聊天模型、工具、检索增强生成(RAG)、代理等核心概念。内容涵盖数据处理组件如文档加载器、文本分割器、向量存储，以及开发工具如提示模板、输出解析器、异步编程支持等。还包含回调机制、跟踪调试、评估测试等重要开发环节。指南提供了完整的概念词汇表，包括消息类型、可运行接口、配置参数等术语解释。