chaors

前面系列地学习过 AI中的一种开发框架 LangChain，今天继续新框架 LanGraph。它超越了LangChain的线性工作流，通过循环支持复杂的任务管理。

前面学习了 什么是 MCP，及其基本使用方式。那么今天就再用一个更接近实际场景。 想象一下你的老板特别喜欢炒股， 那么是不是能做一个简单的 Agent来分析股票行情。

之前我们知道 LLM 不能单独靠自己和物理世界通讯，所以，有了 Function calling。MCP正是基于 Function calling 的一套标准协议，让 LLM 和 物理世界的沟通更方便

前面学了 MCP,他解决LLM 和物理世界的沟通问题。那么 Agent 之间是怎么通讯的？ 我们前面在学习 MAS 时了解了 多Agent的通信机制。今天再去了解另一种Agent通讯协：A2A。

前面学习了 Agent 用法，今天就能用 Agent 做一个简单的AI小项目来练手。 该项目是一个基于FastAPI + LangChain + 阿里LLM构建的国风占卜算命类 AI 聊天机器人。

前言 前面基本学习了 RAG 的基础使用，也简单有两个小的实战。那么 RAG 技术在现实中究竟有哪些常用的应用场景呢？ 这一篇我们就以一个实战项目来将之前学的 RAG 知识串联起来。

前面学习了 什么是 RAG 评估 以及相关指标。在相关 Demo 中也看到有些指标比较低，那么实际开发中该怎么去提升这些指标呢？ 指标的理想值并非一成不变，需结合业务场景的风险和需求来设定。

前言前面系列学习了 RAG 的基础知识，无论是 NaiveRAG 还是 AdvancedRAG。那么在企业级生成环境中，怎么保障一个 RAG 应用的质量？ 这就需要 RAG 评估了。

前情 本身这篇文章是在学习了 Langchain 基础之后的一篇记录，由于一些原因一直未整理完成。看题目也知道，这个项目是在学习 Langchain 中期的一个实战：用以巩固 Langchain 基础