本地大模型编程实战

本文将演练通过两个参数进行知识库的检索。为此会在 `langgraph`链 中增加一个 `analyze_query` 节点，它用来基于用户问题推理检索的参数。

本文将要在上一篇文的此基础上，增加自动记录聊天历史的功能，另外，我们还将使用一个 `Agent(智能体)` 来实现几乎同样的功能。

文将要创建的系统将更加智能：如果在知识库中未找到靠谱的文档，则用 `LLM(大语言模型)` 自身的能力弥补。

本文将使用 `langgraph` 实现一个简单的 `RAG(Retrieval Augmented Generation,检索增强生成)` 系统。

本文将用实际代码演练一个简单的 `RAG(Retrieval Augmented Generation,检索增强生成)` 系统。

本文将基于上一篇文章完善 `Agent(智能体)` ，主要完善的功能有： - 跟踪 `Agent(智能体)` 的执行过程 - 记录消息历史

在上一篇文章中，我们实践了如何使用 `langchain` 创建一个简单的 `ReAct Agent(智能体)`，这次我们升级一下玩法：实现一个可以调用两个 工具 的智能体。

在前面的文章中，我们了解了 `LLM(大语言模型)` 如何使用 `tool(工具)` ，现在我们开始进一步，初探 `Agent(智能体)` 的玩法。

在使用 `LLM(大语言模型)` 调用工具方法时，可能会在运行时才会将类似 用户ID 的数值传递给工具。

本文将实践如何在 `LLM(大语言模型)` 调用工具函数时进行审核，即由人来确定是否应该调用工具函数。

在使用 `LLM(大语言模型)` 时，经常需要调用一些自定义的工具方法完成特定的任务，比如：执行一些特殊算法、查询天气预报、旅游线路等。

某些模型能够进行工具方法调用： - `LLM(大语言模型)` 根据用户的问题推理生成调用工具方法的名称和参数 - 调用工具，返回简单的结果 - 再次调用 `LLM` ，生成自然流畅的回答

本文将实现一个比较完善的聊天机器人的主要功能。包括： 使用 LangGraph 构建聊天机器人 自动裁剪聊天历史 管理聊天会话的方法 以流的方式输出回复。

本文将演示使用大语言模型自制聊天机器人。主要的内容有： - 使用 `LangGraph` 进一步完善聊天机器人 - 使用提示词改变 `LLM` 的能力

本文将演示使用大语言模型自制聊天机器人。主要的内容有： - 如何让机器人具有记忆 - 如何使用 `langgraph` 自动记录聊天历史

本文将演示使用大语言模型从文本中提炼结构化信息。这次我们不直接使用提示词，而是使用大模型的 `few-shot prompting` 特性，即使用很少的例子来引导大模型做推理。

本文将演示使用大语言模型从文本中提炼结构化信息。 我们将用 `llama3.1` 和 `deepseek` 做一个简单的对比。

使用本地大模型可以根据需要给文本打标签，本文介绍了如何基于 langchain 和本地部署的大模型给文本打标签。

本文描述了如何使用 `Chroma` 对csv数据进行矢量化，并且将矢量存储在硬盘中，未来查询矢量数据时，直接从硬盘中读取矢量数据进行查询。

本文描述了如何使用 `langchain` 和 `大语言模型` 以及 `矢量数据库` 完成pdf内容的语义检索。