在钱塘江

前言 在AI应用的丰富场景中，聊天代理无疑是最具实用价值且最复杂的模式之一。它能够理解用户意图、执行工具调用、整合信息并提供连贯的回复。LangGraph为构建这类复杂的聊...

前言 在构建复杂的工作流系统时，我们经常需要在不改变核心状态的情况下传递一些额外信息，如用户身份、环境配置、请求元数据等。LangGraph提供了Context（上下文）功...

前言 在复杂的工作流系统中，经常需要处理来自多个并行执行路径的状态更新。LangGraph提供了一种强大的机制——Reducer函数，来解决这个问题。Reducer函数允许...

前言 在LangGraph中，条件边（Conditional Edges）是一个强大的特性，它允许我们根据状态的值动态地选择执行路径。这使得我们可以构建具有决策能力的工作流...

前言 在LangGraph的世界里，StateGraph是构建复杂AI工作流的基础组件。它允许我们以可视化、模块化的方式定义和执行一系列操作，非常适合构建Agent、自动化...

前言 在前面的内容中，我们已经使用create_react_agent快速搭建了一个Agent，但Agent究竟是什么？它的工作原理又如何呢？本文将深入探讨Agent的构成...

前言 嘿，朋友们！在这个科技飞速发展的时代，人工智能已经不再是科幻电影里的玩意儿，而是实实在在地走进了我们的生活。今天，我就要带大家来一场说干就干的实践之旅——用阿里云的千...

前言 最近读完了《Pyhon神经网络编程》这本书，按照书中的代码实现了一个简单的3层神经网络。 这个神经网络只有3层，分别是输入层、隐藏层和输出层，不过这个简单的神经网络却...

前言 在AI Agent应用中，多智能体架构涉及多个智能体协同工作，以实现复杂的目标。 智能体监督器（Agent Supervisor） 在管理这些智能体，通过协调任务、分...

前言 自适应检索增强生成（Adaptive-RAG）是根据用户查询的复杂性来优化检索增强模型（比如LLM）。 传统的RAG方法往往没有考虑到查询复杂性的差异，结果要么是简单...

前言 纠错式检索增强生成（CRAG）主要是为了解决RAG系统的一个关键问题：如果检索出来的结果不相关或者不正确怎么办？ CRAG引入纠错机制，用来评估和改进检索到的文档的质...

前言 RAG通常的流程是先从向量数据库里根据用户输入检索相关文档，然后用语言模型生成回答。 Self-RAG，就是在RAG的基础上加了“反思”步骤。这种方法能让LLM自己控...

前言 首先展示下Embedding，本文使用阿里的模型，需要按照相关的依赖，参考 大模型服务平台百炼控制台 词嵌入 embed_query 处理单个文本 embed_doc...

前言 LangGraph中的代理检索增强生成（RAG）全称为Agentic Retrieval-Augmented Generation 简单来说，RAG 就像是给大型语言...

前言 为了让大家更好地理解计划与执行架构，下面将通过更多的例子进行详细阐述。这些例子将涵盖不同场景，帮助大家清晰地看到计划如何为执行提供方向，而执行又如何反馈并完善计划。 ...