用户983437736504

本文记录了实现一个较为丰富的机器人问答可视化应用的过程。 基本功能需求： 调用llm进行对话 友好的web可视化，能够看到历史对话消息 RAG本地知识库问答 应用的技术： WebUI: Streaml

LCEL-LangChain Expression Language 代码实例 用LCEL构造链 用invoke调用、执行链 Stream 流式调用 一边调用模型一边生成结果，即不需要等到完成整个链才

部署一个鲜花网络电商的人脉工具(上) 第一步 找到大V 报错 分析：search工具没有找到微博UID的结果，进而正则findall匹配报错。 DEBUG 在search_tools.py中的get_

langchain基于文档的问答功能实现 RAG 的工作原理 Reference: 3. 用LangChain快速构建基于“易速鲜花”本地知识库的智能问答系统16. 检索增强生成：通过RAG助力鲜花运

前言 1. 代理与工具 （引自langchain实战课15） 什么是工具 如何加载工具 某些工具需要llm初始化： tools = load_tools(tool_names, llm=llm) 需要

离线调用huggingface的chatglm模型。测试了几种不同的模型调用加载方式，寻求方便langchain交互的方式。

LangChain 引入了“多操作”代理框架，允许代理计划执行多个操作。在此基础上，LangChain 推出了结构化工具对话代理，允许更复杂、多方面的交互。