AI大模型应用开发

让我们结合前两篇的理论与实践，尝试系统性、结构化、全面地分析Agent。 主要是引入回调日志与评估LLM

本篇将演示网络搜索与网页抓取工具，将LLM（DeepSeek）、工具和特制的提示词组装成一个可执行的Agent。给它一个研究任务，观察它的“思考-行动”过程，并演示一个ReAct调整。

Agent是一个能感知并自主地采取行动的实体，这里的自主性极其关键，Agent要能够实现设定的目标，其中包括具备学习和获取知识的能力以提高自身性能。

描述了模长-方向对于向量比较的影响，介绍了检索的两种方式与混合检索模式。介绍了Top-K的权衡与Re-ranking

讲解向量数据库，介绍数据结构、分层存储策略、逻辑操作单元，选型维度等。同时给出了ChromaDB的简单dmeo

讲述向量化是做什么？简单描述了向量计算的3种方式：点积、余弦相似度、欧氏距离。描述了向量的方向和模长。

讲述为什么分块？分块大小的权衡？分块多大是更合适的？怎么判断分块的好坏，分块的原理是什么？有哪些情况与注意事项。

好的提示词（Prompt）哪里好？ 提示词要怎么写？ 提示词在LLM是怎么起作用的？ 怎么评估提示词好坏？ 怎么优化提示词？ 提示词怎么越狱？ 不了解特定行业知识能写出特定行业的优质提示词么？

LangChain总的来说是对于大模型应用控制的各方面操作的抽象总结或封装，如LLM接口、提示管理、记忆、数据连接、链、代理、数据处理等），是统一处理框架。

为什么需要Retriever，而不是直接使用的chroma实例的similarity_search这样的方法呢？为了统一标准（解耦），定义与数据源交互的方式。

在使用Document Loaders加载外部数据，并通过Text Splitter将大文本数据分割成更小、更易于管理的文本块chunks后，下一步，就是将这些文本块转换成机器能够理解和比较其语义含义

如果直接将整个长文档扔给大模型还有几个问题： 1.上下文窗口限制 2.成本高 3.效率低 4.检索效果差 。为了解决这些问题，LangChain提供了文本分割器 (Text Splitters)

怎么让大模型基于自己提供的数据做出回答呢？ LangChain提供了文档加载器Document Loaders用于从各种来源（PDF文件、TXT文件、网页、数据库等）加载数据到LangChain中。

LangChain提供了Memory组件。 Memory:记忆 大模型本身通常是无状态的，Memory通过存储与加载历史信息解决了这个问题。

了解在解析中出现的讲多个步骤串联起来的链Chains。 概念补充 StrOutputParser StrOutputParser() 是 LangChain 里的一个输出解析器

引言 在上一篇LangChain入门中，我们已经了解到了可以使用LangChain的langchain_deepseek组件与DeepSeek进行对话。 那AI的诸多问题要怎么解决呢？怎么控制大模型?

以与AI联网对话入门LangChain。使用了deepseek，本篇作为开篇，极其易于实现，资料可用