LangChain

AI狼人杀，人类一败涂地 首先给没看过视频的小伙伴们介绍下： 一个名为 Tore Knabe 的网友在 X 平台发布了一个视频，展示了一个有趣的实验

通过官方包的加持，开发小伙伴们通过简单的api调用就能在langchain中轻松使用Hugging Face上各类流行的开源大语言模型以及各类AI工具。 以下是笔者在测试使用后，总结的在LangCha

利用单一提示的方法确实能覆盖很广的应用场景。但是，如果想要为特定的用户需求提供稳定且出色的体验，仅靠这种方法就显得有些力不从心了。 取而代之的是，我们可以通过识别用户的意图，并将其引导至相应的定制化流

这种设计既保持了用户控制权，又确保了对话流程的顺畅。但随着工具数量的增加，单一的图结构可能会变得过于复杂。我们将在下一节中解决这个问题。

当智能助手代表用户执行操作时，用户几乎总是应该对是否执行这些操作拥有最终决定权。否则，即使是智能助手的一点小失误，或是它未能抵御的任何指令注入，都可能对用户造成实际损害。

自GPT Researcher首次发布以来，仅仅一年时间，构建、测试和部署AI代理的方法已经取得了显著进步。

引言 随着人工智能技术的飞速发展，Agent（智能体）的概念已经从科幻小说走进了现实世界。Agent可以被理解为一种具有一定智能的软件实体，它能够自主地执行任务、做出决策并与其他系统交互。 在AI技术

阅读时间：约5分钟 发布日期：2024年5月10日 还记得四个月前我们发布的LangChain首个稳定版吗？今天，我们继续这一进步，带来了langchain v0.2的预发布版。

文本嵌入和向量搜索技术可以帮助我们根据文档的含义及其相似性来检索文档。但当需要根据日期或类别等特定标准来筛选信息时，这些技术就显得力不从心。

当独立的API相互连接时，它们变得极为强大。无论是与外部客户的互动、内部使用还是常规的端到端测试，几乎所有的在线交互实际上都是由相互连接的API网络构成的“流程”。这种相互连接是数字产品体验的核心。

前言 在详细介绍lang2openai之前，让我们先来了解一下背景知识。当前市场上有许多API适配工具，比如one-api，但它们往往存在的问题是复杂性高、依赖多。lang2openai则是基于Lan

在LangChain，我们对“记忆”这一概念特别感兴趣。我们相信，通过实际的应用示例来展示一个概念，是理解它的最好方式。因此，为了探索记忆，我们打造了一个日记应用。

最近，人工智能领域的泰斗吴恩达教授提出了一个观点，即通过智能体工作流构建的AI在某些应用场景中的表现甚至可以超越GPT-4。他认为，智能体工作流将是推动今年人工智能发展的重要趋势。本文将深入探讨这一理

在大型语言模型（LLM）的应用中，有几个场景需要以结构化的方式呈现数据，其中信息提取和查询分析是两个典型的例子。我们最近通过更新的文档和一个专门的代码仓库强调了信息提取的重要性。

我们打造了一个名为Self Learning GPTs 的演示应用，展示了如何通过用户反馈让应用程序不断学习和进步。这个应用利用 LangSmith 技术来搜集用户的点赞或点踩等反馈，并将这些反馈自动

基于知识图谱的LangChain应用实战 图检索增强生成（Graph RAG）正逐渐流行起来，成为传统向量搜索方法的有力补充。这种方法利用图数据库的结构化特性，将数据以节点和关系的形式组织起来，从而增

关键链接 视频介绍 相关代码 概览 随着人工智能模型处理能力的增强，能够处理的上下文信息越来越多，达到百万级别的词汇量，对于这类长上下文的大型语言模型（LLMs）的研究兴趣也随之增长。在这些模型中，一

LangGraph 助力代码生成新境界 必要链接 LangGraph 操作指南 研究初衷 在大型语言模型（LLMs）的众多应用中，代码生成与分析尤为关键，这从产品 GitHub co-pilot 的广

自省,让Agents慢思考 关键链接 简易自省：( Python ) Reflexion：( Python ) 语言代理树搜索：( Python ) Youtube 自省增强是一种策略，旨在通过引导语

随着AI应用工程的飞速发展，我们不难发现为大语言模型（LLMs）提供额外工具能大大增强其功能。 举例来说，GPT3.5版本通过集成Bing搜索和Python解释器实现了能力的跃迁。GPTs则直接将ap