在本指南中，您将学习如何使用DeepSeek-R1、LangChain、Ollama和Streamlit构建 检索增强生成 (RAG) 系统，该系统可在本地处理 PDF 。 本教程将LangChain

一、私有化智能体应用 在本专栏的前面文章基于Spring AI MCP实现了本地 ChatBI 问答应用，本文还是依据该场景，采用 LangChain + vLLM + Qwen3-32B + MCP

引言：大型语言模型的“知”与“不知”——为何需要 RAG 大型语言模型（LLM）如 GPT，无疑是近年来最令人瞩目的技术突破。它们能写诗、写代码、翻译，展现出惊人的语言能力，仿佛拥有了某种“知”。 然

LangChain是一个开源框架，是一个 LLM 变成框架，它允许开发人员将大模型、外部计算、数据源结合起来。

自适应Prompt技术通过动态意图解析与反馈驱动优化，将LLM从“机械执行者”进化为“认知协作者”。企业落地时需聚焦垂直场景，结合自动化工具链快速验证价值。

关于Langchain.js Langchain.js，在github上截止到今日已经有92k的start。之前一直偶有耳闻，但没有深入了解。今天看完后，真的是可以堪称大模型里的瑞士军刀。 LangC

前言 如果您想在localhost部署并运行开源大模型，可以试试Ollama。本文我们将使用Ollama部署，并通过API的方式调用大模型。 安装 Ollama提供了python和js两种开发包，对前

你有没有遇到过这种情况：工作中需要快速查找资料，结果花了大把时间在一堆无关信息中苦苦挣扎？或者说，你公司里的数据海量，却无法高效地找到所需的关键知识？其实，你可能已经掌握了一项强大的工具——知识图谱（

RAG 是`retrieval-augmented-generation`的缩写，翻译为中文的意思就检索增强，以基于最新，最准确的数据建立` LLM `的语料知识库。