moonless

🟡 一：任务分解与LangChain思想 理解用户需求，分解任务。 灌输LangChain的核心思想，明确为何用它。 搭建框架基础，准备工具集。 🔘 步骤1：理解与分解用户需求 你的任务是：“把202

🟡 Prompt的设计 🔘 Prompt面向谁？ 假设你正在开发一个智能客服系统，用户输入了一个问题：“帮我查询2023年销售额最高的产品是什么？” 这是一个看似简单的问题，但要回答它，系统需要完成多

🟡Agent Agent 是一个基于大语言模型（LLM）的任务执行系统，能够根据用户输入完成推理、工具调用、记忆管理等任务。具备推理、工具调用、记忆、等能力。 既然是基于自然语言分析后进行某些行动(L

🟡 Langchian生态全景 🔘各版块生态位 LangChain是构建基于大型语言模型应用的框架，它提供了工具、组件和库，支持从chain、到agent、引入RAG。具体到AI程序构建的的两种模式：

🟡 数据结构角度 数据结构可以从两个角度来分类： 从计算机内存的物理特性来看，无论数据结构多么复杂，其底层存储最终都归结为顺序存储或链式存储。 顺序存储就不用说了，位置隐含了逻辑关系。而链式存储的本质

🟡时间复杂度 时间复杂度用来描述算法运行时间随输入规模增加而增加的速度。按照快慢排序常见的时间复杂度： 脑子秒想：O(1)：常数，算法的执行时间是固定的，与输入规模无关，例如直接访问数组中的某个元素。

一、传统Token限制的本质困境 直接粘贴就是全量处理输入的每一个token，确保信息完整，但受限于上下文窗口（通常4k-32k tokens），无法扩展到更大规模。 当您将一段3000个tokens

Runnable 是啥？ Runnable 是 LangChain 的基类（langchain_core.runnables.Runnable），规定所有“可执行”对象的标准。让 LangChain

🟡 LangChain 高频用法 🔘语言模型调用（LLM）：让 AI 开口说话 假设你要做一个问答助手，用户问“你好”，AI 得回答“こんにちは”。这需要调用外部 LLM，比如 OpenAI 的 GP