在钱塘江

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、工作流程、结构特点以及入参

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——用阿里云的千问大模型和langgraph

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可以执行非常复杂的任务，比如

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、分配责任和监控结果，确保整个多

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，结果要么是简单查询时计算开销过大，要么是复

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量。这在减少LLM的“幻觉”

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自己控制什么时候检索、怎么评估相关

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_documents 处理多个文本

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 就像是给大型语言模型（LLM）装了一个“外挂