传统工具调用依赖硬编码与正则，脆弱难维护；LangChain 通过声明式 tool() 让大模型自主决策、安全调用，实现“想”与“做”的高效协作。

本文深入解析如何通过 LangChain 的 RunnableWithMessageHistory 和 InMemoryChatMessageHistory 实现 LLM 的对话记忆能力

大模型天生“失忆”，LangChain 通过自动管理对话历史，为其注入可控、高效、多用户的“记忆系统”，真正实现有上下文的多轮对话。

这就需要一个完善的RAG评估体系：评估RAG系统各个模块运行的效果，在用户之前分析问题、甚至是预判问题。这篇文章会和大家详细聊聊，如何在开发和生产环境中评估RAG系统。

大语言模型（LLM)，是一种能够理解并生成我们日常使用的语言的 AI工具。例如，如果你问中国首都的名字是什么？

最近乱七八糟的事太多，今天来点偏技术实战的，带大家用LangChain & LangGraph快速入门用编程创建智能体，用LangSmith进行追踪，Agent-Chat构建Agent UI。

大模型输出太随意？本文教你用 LangChain 与 Zod 构建强约束链路，让 AI 像 API 一样返回类型安全、字段精准的 JSON，彻底告别 any 和解析错误。

🧭 一、什么是“意图驱动编程”？ 👨‍💻 一句话概念： 也就是说，从命令式（Imperative）转向目的导向（Intent-Oriented）。 传统编程像这样： 意图驱动的思路则是： 系统自动推理

你不需要了解内燃机的所有原理，也能开车去任何地方；同样，你不需要训练自己的大模型，也能享受AI的强大能力。API就是这辆"AI汽车"的方向盘和油门

🌱 一、引子：当语言开始“看见”，图像开始“说话” 在过去，AI 就像一位专科医生—— 会说话的（语言模型）处理文本 🗣️； 会看图的（视觉模型）分析图像 🖼️； 会看片的（视频模型）理解场景 🎥。

无论是语言模型还是推荐大模型，基于强化学习的偏好对齐已成为其训练流程中不可或缺的关键环节。 本文将系统梳理强化学习在大模型中的实践路径：首先阐明其核心机制与主流算法，继而聚焦语言模型与推荐大模型的典型

🌌 一、引子：从“打字工”到“AI 驯兽师” 2022 年，一个新职业横空出世——Prompt 工程师。 他们靠着一行行看似神秘的咒语，将 ChatGPT、Stable Diffusion、Claud

MiniMax-M2 为开发者提供了一个引人注目的解决方案，它通过一个拥有 2300 亿参数但仅激活 100 亿参数的专家混合模型，来提供编码和智能体能力。该模型在保持与 Claude Sonnet

深度解析检索增强生成(RAG)技术原理与实战,通过生动类比和完整代码示例,带你从零搭建基于LangChain+Weaviate的RAG系统

本系列文章的深度有限，只是个人对大模型知识脉络的梳理，同时也会借鉴一下同行的博客内容充实本文，文末将会注明参考来源。

在数据库迁移领域，AI 正在被寄予厚望。 但一个现实问题也越来越清晰：如果只“相信模型”，迁移风险并不会减少，甚至可能被放大。 SQLShift 正是在这样的背景下诞生，并持续演进。

只说应用层的AI赛道，前端是非常适合转AI的，目标岗位可以是AI工程师/AI产品经理，做得好的可以干到AI负责人，并且我身边已经有很多鲜活的案例，所以大家不必焦虑。

在这个阶段，你正从“使用人工智能工具”向“理解工具工作原理并针对特定场景优化工具”转变。中级与高级人工智能工程师的区别，往往就在于是否精通这些高级主题。

今天，我们将通过一份2025年AI Agent开发路线图，全面解析Agent开发领域的核心技术栈和发展路径。