只有让LLM（大模型）学会使用工具，才能做出一系列实用的AI Agent，才能发挥出LLM真正的实力。本篇，我们让AI Agent使用更多的工具，比如：外部搜索、分析CSV、文生图、执行代码等。

在LangChain中，Agent代理就是使用语言模型作为推理引擎，让模型自主判断、调用工具和决定下一步行动。

我们知道LLM（大语言模型）的底模是基于已经过期的公开数据训练出来的，对于新的知识或者私有化的数据LLM一般无法作答，此时LLM会出现“幻觉”。针对“幻觉”问题，一般的解决方案是采用RAG做检索增强。

在大模型工程中，“Prompt”（提示）扮演着核心角色，它是与大型语言模型交互时使用的输入文本，旨在引导模型产生预期的响应或执行特定任务。

本文主要介绍RAG中特别重要的Indexing索引，对三种索引模式none、incremental、full进行详细介绍并以代码示例的方式讲解，文末介绍了Retriever的三种基础用法，欢迎大家查阅

一切都要从这张图开始说起，这是RAG的经典图 涵盖了Question->Translation->Routing->Construction->DB(VectorStore)->Indexing->D

本篇给大家介绍LangChain的一种重要的Chain，路由链（RouterChain），并使用大家能看懂的四种实现方式给大家show下代码，希望大家喜欢，并顺便提到了阿里千问的大语言模型如何使用

路由Routing 逻辑和语义路由 Logical and Semantic routing 使用函数调用进行分类 注意：我们使用函数调用来产生结构化输出。 语义路由 Semantic routing

程序监控、日志、token计数，LangChain提供了一个回调系统，允许您挂接到LLM应用程序的各个阶段。这个模块是调试和监控程序的重要手段。