chaors

前情 上一篇 讲了Langchain使用 Tool 的基本方法。今天就用一个实际小案例来回顾和巩固下Tool的使用。 我们现在实现一个这样的需求：向大模型查询某个地区的天气，返回天气情况。

大模型的边界能力 我们先看看下面一段代码，AI大模型执行的结果是什么呢？ AI居然不知道，是不是大跌眼镜呢？Langchain的Tool正式解决这个痛点的技术方案。

我们知道 LangChain是一个用于构建由 LLM 提供支持的代理和应用程序的框架。Langchain中的 Data Connection模块正是对RAG流程的封装。

我们以往在使用豆包或者DeepSeek时，在一些长的上下文环境中AI模型是可以记住我们之前提供的一些信息的。那么，AI大模型是怎么记忆这些信息的。 我们先从一段简单的代码入手看看...

那么我们的Langchain程序怎么才能被用户正常使用呢？也就是怎么把AI原型转化为企业级API？LangServe正是解决了这样一个非常具体的痛点：AI原型到生产服务的"最后一公里"问题。

LCEL (LangChain Expression Language)** ：这是框架的**声明式组合语法**，解决“如何更优雅、更健壮地构建和调用上述链”的问题。

Result Parser 上一篇 学习了什么是langchain和prompt templete。那么如何将大模型自由、非结构化的文本输出，转化为程序可稳定、高效处理的结构化数据？

提出问题 前面学习RAG时候调用向量检索来获取top_k相似度的向量块，那么内部究竟是怎么进行检索的？难道就是从零到N的暴力遍历吗？那么当向量块数据集达到上百亿的时候怎么办？

信息检索领域中常用的三种检索技术有： 关键字检索（简单的关键字匹配)，全文检索，向量相似度检索。 现在，我们就使用”全文检索 + 向量检索“结合的混合检索方式来现一个简单的医疗知识检索系统。