Brianmay

AI Agent是一个以大语言模型（LLM）为核心的程序，旨在实现用户设定的一些目标或任务。LLM获取反馈信息，并选择使用预设或新建的工具（函数），以迭代运行方式完成任务。

本篇分享了LangChain Agent API快速搭建智能体的方法，通过create_tool_calling_agent创建模型和工具的Agent，并使用AgentExecutor执行Agent。

本文介绍了如何在LangChain框架中接入和使用内置工具、自定义函数工具的能力，并通过代码自动执行和天气助手两个案例进行实战总结，接入工具是LangChain框架的强大扩展，为构建复杂工作流奠定基础

本期分享讲解了LangChain的核心概念—“链”，由易到难搭建了简单链、复合链和自定义节点链，同时了解提示词模板和结构化解析器的基本用法。通过实战代码让大家感受到LCEL语法的简洁性和实用性。

本篇分享我们基于Unsloth官方文档结合工作种微调经验，为大家提供了合适的参数选择范围，帮助大家从成百上千种参数组合中快速定位到最优组合，加速微调过程，让初学者也能简单快速上手大模型微调。

RAG系统通过数据准备、数据检索和LLM生成三个核心环节把外部知识和大语言模型能力完美结合，使得用户能够收获更专业更准确的知识。RAG系统使用者如果需要提升RAG系统性能，必须深刻了解RAG核心原理。

这篇提示词教你如何让大模型扩展逻辑能力，四大秘籍助你逆袭：1. 召唤推理专用模型，2. “少样本提示” 3. 用“思维链”拆解问题，4.让我们逐步思考”触发零样本推理。以上技巧让模型不再逻辑问题困扰~

还在为RAG系统效果不佳而发愁？本篇文章从RAG系统三个核心环节出发，针对每个环节提出了诸如切片优化、提示词优化等详细的优化策略，大家可以尝试组合这些优化策略，预计可将现有RAG系统效果提高20%

许多 agent 教程比较偏概念的科普，看完了后还是不知道怎么编程，这里以能够上手编写一个 Agent 为目标，理解 LLM 的关键概念，掌握构建 Agent 的关键技术。