从langchain迈出学习人工智能第一步

本文探讨了 AI 系统的安全风险，从早期越狱攻击（如 "奶奶漏洞"、DAN 模式）到提示词注入、数据泄露等。重点分析了 "井中投毒" 概念：恶意内容可能误导 AI 学习危险行为如执行 rm -rf

引言 在学习与使用LangChain的过程中,接触到了向量数据库,通过为大语言模型提供一个自己的语料库,可以让模型的回复结果都从语料库中来,这样模型就可以回答一些它不知道的问题....

万字长文总结LangChain0.1.x本学习内容,涵盖了如何构建LLM应用、Agent、LangGraph、langsmith以及如何结合第三方API开发,入门必备指南。

🦜🕸️ LangGraph的出现宣布LangChain进入到多智能体框架领域,langGraph是基于图论运作的,他提供了一种状态机的技术,可与驱动循环代理调用,实现有向有环图的多Agent.

Multi-agent 翻译为多代理,在Agent中人们通常希望单个代理具备很高的职能与很强的推理能力,由于单Agent的能力受大语言模型限制与执行过程过于黑盒,没有足够精确的控制能力,效果达不到期望

LangChain表达式语言-LCEL，是一种声明式的方式，可以轻松地将链条组合在一起。通过输出解释器对结果进行格式化.

Agent是一种能够自主决策、采取行动以达到某种目的的智能体，在langchain中可以为代理配备各种工具，那么这种工具是否可以是硬件的呢，agent+硬件是否可以实现一个拥有灵魂的机器人

理论表明可以实现硬件与云端的多Agent通信,俗话说"三个臭皮匠赛过诸葛亮",多Agent实现效果也许会弥补一些大模型智慧程度上的缺陷.树莓派4B再结合了langchain的langGraph操作

特殊的chain langchain中的Chain有很多,能够轻松实现部分需求,极致简化代码,但是实现效果与模型智慧程度有关

langchain,一个帮助开发者轻松完成AI模型应用开发的框架,支持python和js两个版本,它集成多种大语言模型及第三方api. 这篇文章将在python环境下使用langchain白嫖qwen

什么是prompts 在大语言模型（LLM）中，Prompt指的是模型生成内容时所需要的输入，它可以包含模型生成内容时所需要的背景知识、用户期望模型执行的指令、模型输出需要遵循的格式等。

对于一个聊天机器人,在对话中可能需要进行上下文联想,分析或者是进行一个情景对话,记忆都是不可或缺的重要组成部分.存储对话历史中的信息的能力称之为’记忆‘，

在日常生活中,不难发现,chatgpt通过文本输入进行处理后返回的也是文本内容,就像是一个只有头的人,能听能思考能说话,但是无法行动.而Agent是一种能够自主决策、采取行动以达到某目标的实体.

Chain,翻译成链的意思,顾名思义将其他东西链接起来,串联起来,链式链接.chain在langchain应用中是一个不可缺少的重要工具,是各个模块联系的纽带.