在前面的几篇文章中，我们看到了如何依赖单一提示和LLM来处理各种用户意图的"宽泛型"聊天机器人确实能覆盖很广的应用场景。然而，用这种方式想为用户提供稳定且出色的体验却有点捉襟见肘。 如果我们利用隔离关

在LangChain中，通常代理根据任务类型和需求通过大模型推理选择工具处理任务，LangChain传递任务输入给工具生成输出，输出再经大模型推理，作为其他工具输入或最终结果返回给用户。

LangChain提供了一系列的工具箱Toolkits,它们专门针对某些任务而设计,拥有方便的加载方法。这些Toolkits 可以帮助我们更高效地执行特定任务。

在LangChain中，通常代理根据任务类型和需求通过大模型推理选择工具处理任务，LangChain传递任务输入给工具生成输出，输出再经大模型推理，作为其他工具输入或最终结果返回给用户。

上上篇文章《5分钟理透LangChain的Chain》里用到了顺序链SequentialChain，它可以将多个链按顺序串起来。本文介绍LangChain里的另外1个重要的链：路由链。

详细说明了向量数据库在处理非结构化数据时的作用，即通过将文本数据嵌入到向量空间并利用向量数据库进行存储和搜索，以便在查询时能够快速找到与查询最相似的嵌入向量。

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。

在开发AI Agent（智能体）时，我们经常需要对输入数据进行预处理，这样可以更好地利用LLM。LangChain提供了一个强大的工具——转换链（TransformChain）。

Function Calling是大模型连接外部世界的通道，目前表现形式有Actions、插件、GPTs、Tools工具集等。本文带你看下Funtion Calling是什么，以及如何与大模型进行交互