月初，财务把上个月的 OpenAI 账单甩在了 咱们 CTO 的桌子上。 数字很惊人：9000 刀。 我们那个所谓AI 赋能 的内部知识库助手，每个月光 Token 费就要烧掉一辆比亚迪秦PLUS😃。

作为前端开发者，我们经常遇到一个痛点：AI 助手无法记住跨会话的历史记录。本文将从前端的视角出发，深度解析 RAG（检索增强生成）的工作原理，并结合实际项目代码，详细剖析如何使用 LlamaIndex

大家好，我是双越老师，也是 wangEditor 作者。本文使用 langChain.js 开发一个 RAG 知识库语义项目示例，将会用到 DeepSeek 和 Vector 向量存储和检索技术。

「从零实现 RAG：基于 LangChain 的企业级问答系统实战」 项目架构与技术选型 1.1 什么是 RAG？ RAG（Retrieval-Augmented Generation）是一种结合文档

本文主要介绍 `LangChain` 生态系统中不同层级的组件：LangChain、LangGraph 和 LangSmith，介绍其核心区别及定位。