Agent

（ 教学 ）Agent 构建 Prompt（提示词）4. 提示词模板 (初级到高级的应用提示词) 本手册汇集了面向各专业领域的 LangChain 专用提示词，充分利用大语言模型能力，同时兼顾领域专业

（ 教学 ）Agent 构建 Prompt（提示词）2. 提示词模板 ( Few-Shot Templates (FewShotPromptTemplate)) 在这张中涉及到一些RAG的概念，RAG

（ 教学 ）Agent 构建 Prompt（提示词）2. 提示词模板 (LangChain Hub) 这是一个从 LangChain Hub 获取并执行提示词的示例。 LangChain Hub 是一

（ 教学 ）Agent 构建 Prompt（提示词）1. 提示词模板 (Prompt Template) 概述 本教程介绍如何使用 LangChain 创建和利用提示词模板。 提示词模板对于生成动态和

（ 教学 ）Agent 构建 Prompt（提示词）6. 输出修正解析器 OutputFixingParser 在 LangChain 中的 OutputFixingParser 提供了一种自动化的机

（ 教学 ）Agent 构建 Prompt（提示词）5. PandasDataFrameOutPutParser LLM 的输出以 pd.DataFrame 格式进行控制。 “Pandas”是一个软件

（ 教学 ）Agent 构建 Prompt（提示词）4. JsonOutputParser JsonOutputParser是一个工具，能让用户指定所需的 JSON 模式。其目的是使大型语言模型（LL

StructuredOutputParser 小于 1.0 版本，推荐使用 PydanticOutputParser 大于 1.0 StructuredOutputParser “结构化输出解析器”是

CommaSeparatedListOutputParser CommaSeparatedListOutputParser 逗号分隔列表输出解析器 是 LangChain 中的一种专门的输出解析器，用

PydanticOutputParser 解析器 本篇文章介绍了如何使用 pydantic 库来执行 PydanticOutputParser 操作。 PydanticOutputParser 是一个

构建简单RAG 什么是RAG？ RAG是一种 混合AI Agent架构 ，它将传统的信息检索系统与现代的生成式AI模型结合起来，以提高AI回答问题的准确性和可靠性。 工作原理 RAG的工作流程主要包括

提示词模板使用（Prompt Template Usage） 使用LangChain创建和使用提示模板来生成结构化的查询。 提示模板（Prompt Template）是一种用于生成提示（prompt）