LangChain框架轻松入门

AgentExecutor作为一个经典且易于理解的Agent实现方式，它是学习 Agent 的良好切入点，本文将会对AgentExecutor进行详细讲解。

在上一篇文章中，详细介绍了工具调用的基本流程，以及创建工具的几种方式，以及工具创建方式，本文将会对如何让LLM完成工具调用进行详细的介绍。

实现LLM工具调用，第一步就是工具的创建。本文将会详细介绍在 LangChain 中如何创建工具，在后续文章中，我们会进一步展开，讲解工具调用的完整流程。

本文将会把之前介绍过的LangChain组件组合起来，实现一个完整的 RAG 应用——智能客服系统。

上一篇文章介绍了VectorStore相关类的用法，本文将继续介绍如何使用检索器组件 Retrievers 进行高效的数据检索。

本文将详细分析在LangChain中，如何使用VectorStore组件将向量数据存储到向量数据库中。

本文将会详细的讲解什么是向量数据库（Vector database），以及常用向量数据库Weaviate的安装及使用方法。

在文本向量化时，可以使用LangChain提供的文本嵌入组件：Embeddings，这也是本文的主角，本文将会详细介绍Embeddings组件的用法。

在上一篇文章《LangChain框架入门10：一文带你吃透文档加载器》中详细介绍了文档加载器的用法，在文档加载之后，一般就会对文档进行分割，本文将详细介绍文本分割器的用法。

在上一篇文章中，介绍了实现RAG功能的整个流程，以及LangChain提供了哪些组件来实现RAG功能。 本文将从RAG准备阶段第一个步骤：文档加载.

当我们在跟大语言模型交流时，会发现大语言模型只能回答训练数据范围内的事情，如果你问它一些超出训练数据之外的事情，AI的回答往往就是胡言乱语，本文会详细介绍RAG是如何解决这个问题的。

过在和大语言模型对话时，你可能会注意到大语言模型很快就会失忆，本文会详细介绍LangChain中的记忆组件，来实现记忆功能。

本文将会详细介绍使用LangChain提供的Callback回调机制，如何对LLM应用以及LCEL执行的各个关键节点进行监控，最后，还会介绍LangChain推出的调试监控神器LangSmith

在前面几篇文章中，我们已经掌握了LangChain的核心组件：提示词模板、大语言模型、输出解析器。本文将继续介绍LangChain的LECL表达式用法。

LangChain框架入门05：输出解析器使用技巧 在实际的AI应用开发中，可能经常遇到这样的问题：很多时候大语言模型输出格式不够标准化，输出解析器可以帮我们进行数据格式化。

一个 AI 应用的核心就是它所依赖的大语言模型，LangChain 框架本身不内置任何大模型，但它通过定义统一的接口规范，可以将各种第三方大语言模型接入进来。

在上一期文章中，我们已经完成了 LangChain 的基本环境搭建并成功运行了一个基础示例程序。本篇将继续深入介绍LangChain 的核心模块之一 ：PromptTemplate（提示词模板）。

在上一篇文章中，我们系统地了解了 LangChain 是什么、能做什么、核心模块有哪些，现在你可能有以下疑问： 项目环境该怎么搭建？ 各个包之间有什么依赖关系？

一、为什么要了解LangChain？ 近两年来，大语言模型（如ChatGPT、DeepSeek、Claude）持续火爆，从写文案、AI绘图，到写代码、AI智能客服，几乎“无所不能”。并且大语言模型的调