怕浪猫

本章将从 RAG 核心原理出发，手把手教你用 LangChain 快速搭建问答系统、自定义检索逻辑、优化检索效果，最后通过实战构建基于公司年报的智能问答机器人，所有代码简短可复制，关键步骤标注引用来源

上一章我们学会了如何生成文本的向量嵌入，而向量嵌入的核心用途——语义检索，离不开向量数据库的支撑。向量数据库是专门用于存储、管理、检索高维向量的工具，能高效计算向量间的相似度，是LangChain R

当 AI 的核心技术暴露在阳光下，我们看到了什么？ 引言：一场虚拟的「泄漏」引发的思考 2025年3月，一则关于 Claude Code 源代码泄漏 的消息在技术圈引发热议。虽然 Anthropic

在LangChain生态中，向量嵌入（Embedding）是实现“语义检索”的核心基石——无论是RAG（检索增强生成）、智能问答，还是文本聚类，都离不开它将文本转化为机器可理解的数值向量。本章将从基础

在LangChain开发中，我们常常需要处理外部文档——比如PDF格式的公司制度、Word格式的报告、HTML网页内容、Markdown文档等，再结合大模型实现问答、总结、检索等功能。但大模型存在“上

在前两章中，我们分别掌握了Prompt Templates（提示模板）和OutputParser（输出解析）——通过提示模板标准化模型输入，通过输出解析器将模型输出转换为结构化数据。但在实际开发中，大

上一章我们掌握了Prompt Templates（提示模板），学会了如何构建可复用、标准化的提示，让模型理解任务要求。但在实际开发中，仅让模型返回自然语言是不够的——我们常常需要模型返回结构化数据（如

上一章我们掌握了LangChain的核心抽象——Models与Messages，学会了如何调用不同类型的模型、管理对话消息。而提示工程（Prompt Engineering）是连接“用户需求”与“模型

上一章我们完成了LangChain开发环境的搭建，相当于为大模型应用开发准备好了“工具房”。本章将聚焦LangChain最基础、最核心的两个抽象概念——Models（模型）和Messages（消息）：