首页
AI Coding
NEW
沸点
课程
直播
活动
AI刷题
APP
插件
搜索历史
清空
创作者中心
写文章
发沸点
写笔记
写代码
草稿箱
创作灵感
查看更多
会员
登录
注册
关注
综合
后端
前端
Android
iOS
人工智能
开发工具
代码人生
阅读
排行榜
综合
后端
排行榜
前端
Android
iOS
人工智能
开发工具
代码人生
阅读
全部
人工智能
AIGC
LLM
AI编程
后端
Agent
OpenAI
算法
前端
展开
全部
人工智能
AIGC
LLM
AI编程
后端
Agent
OpenAI
算法
前端
Python
程序员
Trae
MCP
LangChain
深度学习
暂无数据
推荐
最新
💡为什么你的RAG回答总是胡言乱语?致命瓶颈在数据预处理层
不知道大家在RAG项目实践中,有没有遇到这个问题?用LangChain框架自带的PyPDFLoader加载PDF报告时,虽然流程跑通了,但给出的结果回答质量极低,各种回避问题、事实错误。后来我通过深入
📚LangChain框架下的检索增强:5步构建高效智能体系统
检索增强智能体技术正在重塑AI应用的开发范式,它巧妙地将大语言模型的推理能力与结构化知识检索相结合,解决了传统智能体在处理动态信息时的局限性。今天我将根据实际开发中的痛点:如何设计高效、灵活的智能体系
LangChain已死?不,是时候重新思考AI工程范式了
当LangChain成为技术债:你的AI架构还撑得过明年吗? 引言 在过去的18个月里,LangChain无疑成为AI工程领域的耀眼明星——GitHub星标爆炸性增长、开发者峰会座无虚席、各种基于La
1. LangChain4J 理论概述
1. LangChain4J 理论概述 [toc] LangChain4J 的官方文档:https://docs.langchain4j.dev/ 中文文档地址:https://docs.langch
2. LangChain4J 中的 Hello World
2. LangChain4J 中的 Hello World @[toc] 1. 接入阿里百炼大模型 —— 通义千问 接入阿里百炼平台的通义模型:https://bailian.console.aliy
LangChain框架入门19: 构建你的第一个 AI 智能体
AgentExecutor作为一个经典且易于理解的Agent实现方式,它是学习 Agent 的良好切入点,本文将会对AgentExecutor进行详细讲解。
万字长文!从 0 到 1 搭建基于 LangGraph 的 AI Agent
通过与上一节手写 Agent 的对比学习,你将切实体会到:借助 LangGraph,我们可以用更高效、更优雅的方式构建复杂智能体系统。
LangChain框架入门18: 十分钟带你搞定LLM工具调用
在上一篇文章中,详细介绍了工具调用的基本流程,以及创建工具的几种方式,以及工具创建方式,本文将会对如何让LLM完成工具调用进行详细的介绍。
23_LangGraph持久化管理
LangGraph作为一个用于构建有状态多参与者应用程序的库,其核心优势之一就是持久性。持久性允许应用程序在多次交互中保持状态,这对于构建具有记忆功能的代理系统至关重要。本教程将详细介绍LangGra
24_LangGraph子图可控性
在构建复杂的多代理系统时,我们通常需要将不同的功能模块化,使系统更易于管理和扩展。LangGraph提供了子图(Subgraph)机制,允许开发者将大型系统分解为多个独立但相互协作的组件。
LangChain替代框架深度横评:轻量化、企业级、垂直专精的技术博弈
LangChain帝国裂变:轻量化 vs 企业级 vs 垂直专精,四大框架技术霸权争夺战 随着大模型应用分层化趋势加剧,LangChain的"大而全"架构已非唯一选择。本文基于技术架构特性,对比分析四
大模型如何突破“认知茧房”?RAG+MCP构建外部脑接口
RAG与MCP:AI大模型进化的黄金双翼 引言: 在大型语言模型(LLM)日臻成熟的今天,如何突破其固有限制成为关键议题。检索增强生成(RAG)与多模态上下文处理(MCP)技术正成为驱动大模型能力跃升
⚡ 突破LLM三大局限:LangChain架构核心解析与最佳实践
一、LangChain 基本理论与架构 1.1 核心设计思想 LangChain 通过模块化组件连接大语言模型(LLM)与外部系统,解决LLM的三大局限: 无状态性:通过 Memory 管理上下文 知
LangChain 设计原理分析¹⁵ | AI 编排平台的演化方向
深入剖析 LangChain 未来演化方向,解读 LangSmith、LangGraph 与 AI 编排平台在可观测性、调试、评估与 AgentOps 中的系统化价值。
LangChain 设计原理分析¹⁴ | 模拟实现一个精简版 LangChain
从零实现一个精简版 LangChain,亲手搭建架构、Runnable 与 Agent 核心机制,在实践中理解框架本质,夯实 AI 应用开发的底层能力。
🎯 RAG系统工业级部署指南:六步实现<3%幻觉率的问答系统
一、LangChain搜索工具实战:集成DuckDuckGo实现实时信息查询 核心场景:解决大模型知识滞后问题,通过搜索引擎获取实时信息 1.1 基础集成方案 1.2 高级配置(含元数据过滤) 1.3
LangChain框架入门17: 手把手教你创建LLM工具
实现LLM工具调用,第一步就是工具的创建。本文将会详细介绍在 LangChain 中如何创建工具,在后续文章中,我们会进一步展开,讲解工具调用的完整流程。
LangChain框架入门16:智能客服系统RAG应用实战
本文将会把之前介绍过的LangChain组件组合起来,实现一个完整的 RAG 应用——智能客服系统。
LangChain 设计原理分析¹³ | LangChain Serve 快速部署
借助 LangServe 与 FastAPI,将 LangChain 应用一键发布为可调用 API,支持流式输出,轻松实现从原型到生产的快速落地。
LangGraph实践-构建AI工作流:创建一本大模型应用开发书籍
原文 LangGraph实践-构建AI工作流:创建一本大模型应用开发书籍 如果你想使用dify,coze以及n8n构建你的工作流,那基本上非常轻松,拖拽组件即可完成,但是因为基本上都是低代码平台,因此