前言 这两年做 AI 应用，很多团队最先搭起来的是模型调用链路，最后最容易失控的却是数据层。 一开始，大家通常只把 PostgreSQL 或 MySQL 当成“普通业务库”：用户表、订单表、会话表、消

LangChain 工具调用：从原理、入门到落地 在大模型应用开发中，纯文本LLM无法解决实时计算、外部数据查询、API交互等落地场景问题。LangChain 工具调用能力，核心是将自定义Python

本文介绍了RAG（检索增强生成）系统的核心原理和实现方法。主要内容包括： 语义检索与关键词检索的区别、RAG系统流程、检索结果优化、提示词设计等。

LangChain 输出解析器：把模型回复变成你要的数据 读完你会什么 上一篇学了 Input（模板拼接） 和 Model（invoke / stream / batch）。大模型返回的是 AIMes

LangChain LCEL Chain 零基础入门指南 面向新手，由浅入深梳理 LCEL 链式开发，从概念、基础用法、进阶组件到实战避坑，全程配套可运行代码，循序渐进掌握 | 管道串联思维。 一、开

本文介绍了RAG（检索增强生成）系统中文档预处理的关键作用与实践方法。主要内容包括： 文档预处理的重要性、预处理核心目标等。

LangChain调用向量模型，存入向量数据库 很多入门 AI、RAG 检索、智能问答的开发者，都会被向量、Embedding、语义向量等概念困扰。其实向量技术底层逻辑并不复杂。 本文从通俗原理入手，

本文介绍了向量嵌入（Embedding）技术及其在语义搜索中的应用，包括： 向量嵌入原理、向量距离计算、与传统数据库对比等。

RAG系统中的文本分块策略对检索精度、生成质量和Token成本有重要影响。本文分析了三种主流分块方法： 固定分块、递归分块、语义分块。

Langchain工具扩展了 Agent 的功能——使它们能够获取实时数据、执行代码、查询外部数据库并在现实世界中采取行动。在 LLM 应用开发中，Tool 是实现 Agent（智能体）的核心组件。

RAG：检索增强生成技术，通过结合检索与生成能力，有效解决大模型的知识局限问题。其核心原理是：先检索相关文档，再将检索结果作为上下文输入大模型生成答案，类似于"开卷考试"。

为什么分块是RAG的天花板？ 先讲一个真实案例。企业内部制度问答RAG，用户问"数据留存政策是什么"，系统召回了两段：一段讲"数据留存7年"，另一段讲"员工留存激励"。两段都带"留存"，向量相似度

LangChain 调大模型：模板拼接 + invoke / stream / batch 读完你会什么 跟着本文走一遍，你能掌握 LangChain 调大模型的完整链路： 拼消息 — 用 ChatP

LangGraph 是针对复杂 AI Agent 工作流设计的有向图编排引擎，解决了传统线性链式调用（Chain）在分支处理、循环能力和状态管理上的局限性。

这篇文章介绍了一个完整的前端开发AI助手的实现方案，基于LangChain构建智能体系统。主要内容包括： 集成对话记忆、工具调用、决策规划等核心功能模块的技术实现。

本文介绍了如何使用LangChain JS框架快速搭建前端AI开发环境。主要内容包括：LangChain的核心价值，灵活组合功能，核心组件介绍 LLM/ChatModel模型层等。

本文介绍了AI Agent的基本概念和实现方法，它通过"思考-行动-观察"的循环机制完成任务，以及ReAct工作模式。

OpenClaw、Claude Code 等 Agent 为什么都选择 Node.js？ 作者：吴佳浩 撰稿时间：2026-3-16 最后更新：2026-3-17 目录 什么是 AI Coding A

本文介绍了LangChain中自定义Tool的封装方法，包括： 自定义Tool的必要性、Tool核心原理、开发规范等。