用户588431717361

我们可以使用 LangChain 中的 RouterChain 来动态引导大模型选择不同的处理链，来回答两类问题。如果后续出现更多种类的问题，只需要按照相同的方法扩展即可。

在大语言模型（LLM）应用中，通常每次调用都是独立的，没有上下文记忆。我们看到的ChatGPT记住过去对话的效果，依赖于记忆机制（Memory），将对话历史传递给模型作为提示。

对于简单的应用程序，直接调用大语言模型（LLM）已经足够。因此，之前的课程中，主要使用了LangChain的提示模板、模型接口以及输出解析器，实现了一些基本功能。

为了实现上节课目标，我们调用了OpenAI模型，并利用了结构化输出解析器和数据处理工具。这节课，我将带你深入研究LangChain中的输出解析器

Chain of Thought（CoT）是一种通过明确中间推理步骤提高大模型复杂推理能力的提示技术。

本文介绍了思维链（CoT）和思维树（ToT），通过逐步推理和多路径搜索提升AI推理能力，提供了鲜花推荐的具体示例代码，展示如何应用这些方法进行AI开发。

详细探讨LangChain中提示模板（Prompt Template）的构建过程，尤其是如何通过Few-Shot Prompt提升大模型的任务表现。通过清晰明确的指示、提供参考示例，以及分步骤

本教程通过LangChain框架，详细讲解了如何利用提示模板、语言模型调用和输出解析（Model I/O）来开发智能问答和文案生成应用。通过定义灵活的提示模板和结构化输出解析器，实现了高效生成鲜花描述

易速鲜花内部员工知识库问答系统——从零开始构建智能问答应用 项目背景 在“易速鲜花”公司里，员工需要随时查阅公司政策、业务流程、标准操作手册（SOP）等信息。这些资料分散在内部网上的不同文件夹中，查找