用户9544052365747

CAMEL 交流式代理框架 下面我们一起来看看CAMEL——这个多AI通过角色扮演进行交互的框架，以及它在LangChain中的具体实现。 CAMEL，字面意思是骆驼。这个框架来自于论文《CAMEL:

回调函数和异步编程 回调函数，你可能并不陌生。它是函数A作为参数传给另一个函数B，然后在函数B内部执行函数A。当函数B完成某些操作后，会调用（即“回调”）函数A。这种编程模式常见于处理异步操作，如事件

新的数据库查询范式 下面这个图，非常清晰地解释了这个以LLM为驱动引擎，从自然语言的（模糊）询问，到自然语言的查询结果输出的流程。 这种范式结合了自然语言处理和传统数据库查询的功能，为用户提供了一个更

RAG 的工作原理可以概括为几个步骤。 检索：对于给定的输入（问题），模型首先使用检索系统从大型文档集合中查找相关的文档或段落。这个检索系统通常基于密集向量搜索，例如ChromaDB、Faiss这样的

工具是代理的武器 LangChain之所以强大，第一是大模型的推理能力强大，第二则是工具的执行能力强大！孙猴子法力再强，没有金箍棒，也降伏不了妖怪。大模型再能思考，没有工具也不行。 工具是代理可以用来

使用结构化工具对话代理 在这里，我们要使用的Agent类型是STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION。要使用的工具则是PlayWrightBrowserT

通过代理实现ReAct框架 下面，就让我们用LangChain中最为常用的 ZERO_SHOT_REACT_DESCRIPTION ——这种常用代理类型，来剖析一下LLM是如何在ReAct框架的指导之

代理的作用 每当你遇到这种需要模型做自主判断、自行调用工具、自行决定下一步行动的时候，Agent（也就是代理）就出场了。 代理就像一个多功能的接口，它能够接触并使用一套工具。根据用户的输入，代理会决定

使用ConversationSummaryMemory 上面说了，如果模型在第二轮回答的时候，能够说出“我可以帮你为你姐姐找到...”，那么在第三轮回答时，即使窗口大小 k=1，还是能够回答出正确答案