LangChain 完全学习手册:看完就能上手

[LangChain 学习资源大集合] DeepLearning.AI 推出的课程:帮助掌握 LLM 应用开发的核心原理。:教你如何快速构建基于自有数据的聊天应用。:深入解析 LangChain 中的函数与代理。:针对 JavaScript 开发者的专门课程。LangChain 是一个功能强大且灵活的框架,在 LLM 应用领域具有广泛的应用场景。学习 LangChain 的核心模块(如 Prompt 模型、链式调用、代理和工具),不仅能够提升开发效率,也能大大扩展你的技术能力。 阅读详情

🦜⛓️ LangChain 完全学习手册:看完就能上手

本文基于 LangChain v1.x,包含 LCEL、RAG、Agent 等核心内容,代码均可直接运行。适合有 Python 基础、想动手做 AI 应用的开发者。


目录

  • 一、LangChain 是什么
  • 二、环境安装与配置
  • 三、六大核心概念详解
  • 四、RAG 实战:让 AI 回答你的私有文档
  • 五、Agent:让 AI 自主使用工具
  • 六、生产环境最佳实践
  • 七、完整项目:智能客服系统
  • 八、速查手册

一、LangChain 是什么

1.1 它解决的问题

在 LangChain 出现之前,做一个 AI 应用需要手写大量基础代码:

  • 每接一个 LLM(OpenAI、Anthropic、Google…),都要单独写对接逻辑
  • 对话历史要自己拼,每次都要手动处理上下文
  • Prompt 写死在代码里,根本没法复用
  • 想让 AI 调工具、查数据库?从零实现调度逻辑
  • RAG 完整流程要写几百行胶水代码

结果 80% 时间在搞基础设施,真正的 AI 逻辑只占 20%。

LangChain 把这些通用模式全都抽象成了可复用的组件,你只需要关心自己的业务逻辑。

1.2 核心能力一览

功能

解决的问题

统一模型接口

换 GPT-4、Claude、Gemini、本地 Llama,只改一行配置

Prompt 模板系统

像写函数一样写 Prompt,支持变量、Few-shot

链式调用(LCEL)

用 | 管道符串联组件,清晰可读

内置记忆管理

自动管理对话历史,多种策略开箱即用

RAG 全套工具

文档加载、切割、向量化、检索一条龙

Agent 框架

让 AI 自主调用工具、搜索、执行代码

类比一下:LangChain 之于 AI 开发,就像 Django 之于 Web 开发——不是语言,是让你更快出活儿的框架。

1.3 LangChain 生态

现在 LangChain 已经是个完整生态,三个主要产品:

产品

定位

什么时候用

🦜 LangChain

核心框架

快速构建 LLM 应用、RAG、简单 Agent

🕸 LangGraph

Agent 编排引擎

复杂多步骤 Agent、状态机工作流

🔭 LangSmith

调试与监控

线上 Trace 记录、质量评估

本文专注核心框架,LangGraph 和 LangSmith 单独成文。


二、环境安装与配置

2.1 安装

LangChain 是模块化的,按需安装:

bash

# 核心框架(必装)

pip install langchain

# 按你用的模型选一个

pip install langchain-openai # GPT 系列

pip install langchain-anthropic # Claude 系列

pip install langchain-google-genai # Gemini 系列

pip install langchain-ollama # 本地模型

# RAG 相关

pip install langchain-community # 社区扩展,含大量文档加载器

pip install chromadb # 本地向量数据库

# 环境变量

pip install python-dotenv

2.2 配置 API Key

项目根目录建一个 .env 文件:

ini

OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxx

ANTHROPIC_API_KEY=sk-ant-xxxxxxxx

记得把 .env 加进 .gitignore,别把 Key 传上去。

代码里加载:

csharp

from dotenv import load_dotenv

load_dotenv()

2.3 跑通第一个程序

python

from dotenv import load_dotenv

from langchain_openai import ChatOpenAI

from langchain_core.messages import HumanMessage

load_dotenv()

llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.7)

response = llm.invoke([HumanMessage(content="用一句话解释什么是 LangChain")])

print(response.content)

看到 AI 回复就说明环境 OK 了。

想换 Claude?只需改两行,其他完全不动:

ini

from langchain_anthropic import ChatAnthropic

llm = ChatAnthropic(model="claude-opus-4-5")

# 后面代码一模一样

这就是统一接口的价值。


三、六大核心概念详解

3.1 模型(Models)

现在用的几乎都是 ChatModel,接受消息列表,返回 AI 消息。

ini

from langchain_openai import ChatOpenAI

from langchain_anthropic import ChatAnthropic

from langchain_ollama import ChatOllama

gpt = ChatOpenAI(

model="gpt-4o-mini",

temperature=0.7, # 0=确定,1=有创意

max_tokens=1000,

)

claude = ChatAnthropic(model="claude-opus-4-5", temperature=0)

# 本地模型(需要先装并运行 Ollama)

local = ChatOllama(model="llama3.2")

# 三个用法完全一样

result = gpt.invoke("你好")

print(result.content) # .content 拿到文本

3.2 Prompt 模板

别把 Prompt 写死在字符串里,用模板:

makefile

from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages([

("system", "你是一名专业的 {language} 开发专家。"),

("human", "请解释 {topic} 的概念,并给出代码示例。"),

])

# 填充变量

messages = prompt.invoke({

"language": "Python",

"topic": "装饰器",

})

response = llm.invoke(messages)

print(response.content)

好处很直接:变量可以动态传入,Prompt 可以复用,单测也好写。

3.3 LCEL 链式调用(重点)

LCEL(LangChain Expression Language)是最核心的设计,用 | 管道符把组件串起来:

ini

from langchain_openai import ChatOpenAI

from langchain_core.prompts import ChatPromptTemplate

from langchain_core.output_parsers import StrOutputParser

llm = ChatOpenAI(model="gpt-4o-mini")

prompt = ChatPromptTemplate.from_template("请用中文简洁介绍:{topic}")

parser = StrOutputParser() # 把 AIMessage 转成纯字符串

# 组合成链:输入 → Prompt → LLM → 解析

chain = prompt | llm | parser

# 单次调用

result = chain.invoke({"topic": "量子计算"})

# 批量处理

results = chain.batch([

{"topic": "机器学习"},

{"topic": "深度学习"},

{"topic": "强化学习"},

])

# 流式输出(打字机效果)

for chunk in chain.stream({"topic": "神经网络"}):

print(chunk, end="", flush=True)

链中每个组件都有 invoke / batch / stream 方法,可以自由组合。

3.4 输出解析器

AI 默认输出文本,解析器把它转成 Python 对象:

python

from langchain_core.pydantic_v1 import BaseModel, Field

from langchain.output_parsers import PydanticOutputParser

from langchain_openai import ChatOpenAI

from langchain_core.prompts import ChatPromptTemplate

# 定义你想要的结构

class MovieReview(BaseModel):

title: str = Field(description="电影名")

score: int = Field(description="评分 1-10")

summary: str = Field(description="一句话评价")

parser = PydanticOutputParser(pydantic_object=MovieReview)

llm = ChatOpenAI(model="gpt-4o-mini")

prompt = ChatPromptTemplate.from_messages([

("system", "你是影评专家。请按要求格式输出。\n{format_instructions}"),

("human", "评价电影:{movie}"),

])

chain = prompt | llm | parser

review = chain.invoke({

"movie": "星际穿越",

"format_instructions": parser.get_format_instructions()

})

print(review.title) # 星际穿越

print(review.score) # 9(整数,不是字符串)

print(review.summary) # 震撼人心的科幻巨作...

3.5 记忆(Memory)

默认每次 invoke() 是独立的,AI 不记得上文。加记忆的最简单方式是手动维护历史列表:

ini

from langchain_openai import ChatOpenAI

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

from langchain_core.messages import HumanMessage, AIMessage

llm = ChatOpenAI(model="gpt-4o-mini")

prompt = ChatPromptTemplate.from_messages([

("system", "你是一个友好的 AI 助手。"),

MessagesPlaceholder(variable_name="history"), # 历史消息插入点

("human", "{input}"),

])

chain = prompt | llm

history = []

def chat(user_input):

response = chain.invoke({"input": user_input, "history": history})

history.append(HumanMessage(content=user_input))

history.append(AIMessage(content=response.content))

return response.content

print(chat("我叫小明")) # 你好,小明!...

print(chat("你还记得我叫什么?")) # 当然,你叫小明!

3.6 检索器(Retrievers)

RAG 的核心组件,根据问题找相关文档:

ini

from langchain_community.vectorstores import Chroma

from langchain_openai import OpenAIEmbeddings

from langchain_core.documents import Document

docs = [

Document(page_content="LangChain 是构建 AI 应用的框架"),

Document(page_content="LCEL 使用 | 管道符组合组件"),

Document(page_content="向量数据库存储文本的数学表示"),

]

# 自动向量化并存入数据库

vectorstore = Chroma.from_documents(docs, OpenAIEmbeddings())

retriever = vectorstore.as_retriever(search_kwargs={"k": 2})

# 语义检索

results = retriever.invoke("什么是管道符?")

for doc in results:

print(doc.page_content)


四、RAG 实战:让 AI 回答你的私有文档

4.1 RAG 是什么

RAG(Retrieval-Augmented Generation)解决的问题:让 AI 回答训练数据之外的内容,比如公司内部文档、最新资料、私人笔记。

流程分两个阶段:

离线索引(只做一次):文档 → 切块 → 向量化 → 存数据库

在线查询(每次问答):用户提问 → 检索相关块 → 连同问题传给 LLM → 得到答案

4.2 完整实现

python

from dotenv import load_dotenv

from langchain_openai import ChatOpenAI, OpenAIEmbeddings

from langchain_community.vectorstores import Chroma

from langchain.text_splitter import RecursiveCharacterTextSplitter

from langchain_core.prompts import ChatPromptTemplate

from langchain_core.output_parsers import StrOutputParser

from langchain_core.runnables import RunnablePassthrough

from langchain_core.documents import Document

load_dotenv()

# 1. 准备文档(实际场景换成 PyPDFLoader 加载 PDF)

documents = [

Document(page_content="""

公司假期政策:

- 年假:入职满一年后 10 天,每加一年 +1 天,最多 15 天

- 病假:每年 10 天,需提供医院证明

- 婚假:3 天(提前 2 周申请)

- 产假:女员工 128 天,男员工陪产假 15 天

""", metadata={"source": "hr_policy.txt"}),

Document(page_content="""

报销流程:

1. 保存所有发票原件

2. 在 OA 系统填写报销申请

3. 直属上级审批(500 元以上需总监审批)

4. 财务审核,5 个工作日内打款

报销上限:差旅费单次最高 5000 元

""", metadata={"source": "expense_policy.txt"}),

]

# 2. 切割文档

splitter = RecursiveCharacterTextSplitter(

chunk_size=500, # 每块最多 500 字符

chunk_overlap=50, # 块间重叠 50 字符,防止语义断裂

)

chunks = splitter.split_documents(documents)

# 3. 向量化并存入数据库

vectorstore = Chroma.from_documents(chunks, OpenAIEmbeddings())

retriever = vectorstore.as_retriever(search_kwargs={"k": 3})

# 4. 构建 RAG Chain

llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)

prompt = ChatPromptTemplate.from_messages([

("system", """你是公司的 HR 助手,只根据提供的文档回答问题。

如果文档中没有相关信息,直接说「文档中未找到相关信息」,不要编造。

参考文档:

{context}"""),

("human", "{question}"),

])

def format_docs(docs):

return "\n\n".join(doc.page_content for doc in docs)

rag_chain = (

{"context": retriever | format_docs, "question": RunnablePassthrough()}

| prompt

| llm

| StrOutputParser()

)

# 5. 问问题

questions = [

"入职满两年有几天年假?",

"报销超过多少需要总监审批?",

"公司有没有年终奖?", # 文档里没有的

]

for q in questions:

print(f"\n问:{q}")

print(f"答:{rag_chain.invoke(q)}")

4.3 常用文档加载器

加载器

用途

PyPDFLoader

PDF 文件(需 pip install pypdf)

WebBaseLoader

网页内容

TextLoader

纯文本 .txt

CSVLoader

CSV 数据文件

DirectoryLoader

批量加载整个文件夹

UnstructuredWordDocumentLoader

Word 文档

GitLoader

Git 仓库代码文件


五、Agent:让 AI 自主使用工具

5.1 Chain vs Agent

Chain 的执行路径是固定的(A → B → C)。

Agent 不同,它让 LLM 自己决定下一步做什么:要不要调工具、调哪个、拿到结果后怎么处理,一直循环到得出最终答案。

典型的 ReAct 循环:接收问题 → 思考 → 行动(调工具)→ 观察结果 → 继续思考…

5.2 创建带工具的 Agent

python

from dotenv import load_dotenv

from langchain_openai import ChatOpenAI

from langchain_core.tools import tool

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

from langchain.agents import create_tool_calling_agent, AgentExecutor

load_dotenv()

# 定义工具,docstring 是关键——AI 靠它决定用哪个工具

@tool

def get_weather(city: str) -> str:

"""获取指定城市的当前天气。参数:city(城市名,如'北京')"""

data = {

"北京": "晴天,25°C,湿度 40%",

"上海": "多云,28°C,湿度 65%",

"广州": "小雨,30°C,湿度 85%",

}

return data.get(city, f"{city} 暂无数据")

@tool

def calculate(expression: str) -> str:

"""计算数学表达式。参数:expression(如 '2+3*4')"""

try:

return f"{expression} = {eval(expression)}"

except Exception as e:

return f"计算出错:{e}"

# 创建 Agent

llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)

tools = [get_weather, calculate]

prompt = ChatPromptTemplate.from_messages([

("system", "你是一个有用的助手,可以使用工具帮助用户。"),

("human", "{input}"),

MessagesPlaceholder(variable_name="agent_scratchpad"), # Agent 思考过程

])

agent = create_tool_calling_agent(llm, tools, prompt)

agent_executor = AgentExecutor(

agent=agent,

tools=tools,

verbose=True, # 打印中间过程,调试用

max_iterations=5,

)

result = agent_executor.invoke({

"input": "北京今天天气如何?另外 15 × 23 + 7 等于多少?"

})

print(result["output"])

# Agent 会自动决定调两个工具,然后综合回答

5.3 内置工具

不用自己造轮子,LangChain 有大量现成工具:

工具

功能

DuckDuckGoSearchRun

免费网络搜索,无需 Key

TavilySearchResults

高质量网络搜索(需 Tavily Key)

WikipediaQueryRun

查询维基百科

PythonREPLTool

执行 Python 代码

RequestsGetTool

发起 HTTP 请求

SQLDatabaseTool

查询 SQL 数据库

python

from langchain_community.tools import DuckDuckGoSearchRun

search = DuckDuckGoSearchRun()

print(search.invoke("LangChain 最新版本"))


六、生产环境最佳实践

6.1 容错与 Fallback

ini

from langchain_openai import ChatOpenAI

from langchain_anthropic import ChatAnthropic

# 主模型挂了自动切备用

primary = ChatOpenAI(model="gpt-4o")

backup = ChatAnthropic(model="claude-opus-4-5")

robust_llm = primary.with_fallbacks([backup])

6.2 流式输出

python

chain = prompt | llm | StrOutputParser()

# 同步流式

for chunk in chain.stream({"question": "解释机器学习"}):

print(chunk, end="", flush=True)

# 异步(FastAPI 场景)

async def stream_response(question: str):

async for chunk in chain.astream({"question": question}):

yield chunk

6.3 向量数据库持久化

向量化有费用,做一次存磁盘,下次直接读:

ini

import os

from langchain_community.vectorstores import Chroma

PERSIST_DIR = "./chroma_db"

if not os.path.exists(PERSIST_DIR):

vectorstore = Chroma.from_documents(

documents=chunks,

embedding=OpenAIEmbeddings(),

persist_directory=PERSIST_DIR,

)

else:

# 直接从磁盘加载,无需重新向量化

vectorstore = Chroma(

persist_directory=PERSIST_DIR,

embedding_function=OpenAIEmbeddings(),

)

6.4 开启请求缓存

相同输入不重复调 API,省钱省时间:

python

from langchain.globals import set_llm_cache

from langchain.cache import SQLiteCache

set_llm_cache(SQLiteCache(database_path=".langchain.db"))

# 之后相同的请求直接走缓存

6.5 常见报错

错误

解决方法

AuthenticationError

API Key 未设置或过期,检查 .env 和 load_dotenv()

RateLimitError

请求频率过高,加 time.sleep() 或用指数退避

ContextWindowExceededError

输入 Token 太多,减小 chunk_size,或只保留最近几轮历史

OutputParserException

AI 没按格式输出,Prompt 里加更明确的格式指令

ModuleNotFoundError

缺对应的包,按报错提示 pip install


七、完整项目:智能客服系统

综合前面所有知识,搭一个支持 RAG + 对话记忆 + 流式输出的智能客服:

python

from dotenv import load_dotenv

from langchain_openai import ChatOpenAI, OpenAIEmbeddings

from langchain_community.vectorstores import Chroma

from langchain.text_splitter import RecursiveCharacterTextSplitter

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

from langchain_core.output_parsers import StrOutputParser

from langchain_core.runnables import RunnablePassthrough

from langchain_core.messages import HumanMessage, AIMessage

from langchain_core.documents import Document

load_dotenv()

# 初始化知识库

product_docs = [

Document(page_content="超级充电宝 ProMax:20000mAh,65W 快充,380g,299 元,保修 1 年"),

Document(page_content="退换货:7 天无理由退货,30 天内质量问题免费换新,保留原包装"),

Document(page_content="使用注意:避免高温,不可拆卸,禁止飞机托运"),

]

chunks = RecursiveCharacterTextSplitter(chunk_size=300, chunk_overlap=30).split_documents(product_docs)

vectorstore = Chroma.from_documents(chunks, OpenAIEmbeddings())

retriever = vectorstore.as_retriever(search_kwargs={"k": 2})

llm = ChatOpenAI(model="gpt-4o-mini", temperature=0, streaming=True)

prompt = ChatPromptTemplate.from_messages([

("system", """你是智能客服。严格基于以下文档回答,文档中没有的内容回复「请联系人工客服」。

产品文档:

{context}"""),

MessagesPlaceholder(variable_name="history"),

("human", "{question}"),

])

chat_history = []

rag_chain = (

{

"context": retriever | (lambda docs: "\n".join(d.page_content for d in docs)),

"question": RunnablePassthrough(),

"history": lambda _: chat_history,

}

| prompt | llm | StrOutputParser()

)

# 对话循环

print("智能客服已启动(输入 quit 退出)")

while True:

user_input = input("\n你:").strip()

if user_input.lower() == "quit":

break

print("客服:", end="")

full_response = ""

for chunk in rag_chain.stream(user_input):

print(chunk, end="", flush=True)

full_response += chunk

print()

chat_history.append(HumanMessage(content=user_input))

chat_history.append(AIMessage(content=full_response))

# 只保留最近 6 轮,防止 Token 超限

if len(chat_history) > 12:

chat_history = chat_history[-12:]

这个项目可以继续扩展:

  • 把知识库换成真实 PDF(PyPDFLoader)
  • Chroma 换成云端向量库(Pinecone / Weaviate)
  • 包成 FastAPI 接口对外提供服务
  • 接 LangSmith 监控线上效果

八、速查手册

常用 Import

python

# 模型

from langchain_openai import ChatOpenAI, OpenAIEmbeddings

from langchain_anthropic import ChatAnthropic

from langchain_ollama import ChatOllama

# Prompt

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

# 输出解析

from langchain_core.output_parsers import StrOutputParser, JsonOutputParser

from langchain.output_parsers import PydanticOutputParser

# 消息

from langchain_core.messages import HumanMessage, AIMessage, SystemMessage

# Runnables

from langchain_core.runnables import RunnablePassthrough, RunnableLambda

# 文档处理

from langchain_core.documents import Document

from langchain.text_splitter import RecursiveCharacterTextSplitter

# 向量库

from langchain_community.vectorstores import Chroma, FAISS

# 文档加载器

from langchain_community.document_loaders import PyPDFLoader, WebBaseLoader, TextLoader

# Agent

from langchain_core.tools import tool

from langchain.agents import create_tool_calling_agent, AgentExecutor

模型参数

参数

说明

temperature

0~2,越低越确定,越高越有创意。问答用 0,写作用 0.7+

max_tokens

最大输出 Token 数

model

模型名,如 gpt-4o-mini / claude-opus-4-5

streaming

True 开启流式输出

timeout

请求超时秒数

max_retries

自动重试次数,默认 2

TextSplitter 参数

参数

说明

chunk_size

每块最大字符数,Q&A 场景 500-1000

chunk_overlap

块间重叠字符,建议 chunk_size 的 10%

separators

切割优先级,默认 ['\n\n', '\n', ' ', '']

推荐学习路径

  • Week 1:读完本文 → 跑通所有示例 → 独立实现简单 RAG
  • Week 2:实现带记忆的对话 → 自定义工具 → 第一个 Agent
  • Week 3:深入 LangGraph(复杂 Agent)→ 接入 LangSmith
  • Week 4:完整项目 → 部署 API(FastAPI + LangServe)


原文链接:https://juejin.cn/post/7618949119742132251

易康eCognition9.0分类|规则集和机器学习的方法的面向对象的多尺度分割分类 基于易康eCognition9.0软件的规则集和机器学习的方法的面向对象的多尺度分割分类 阅读详情

相关推荐

opencv 常用函数总结

本文是一份OpenCV图像处理的常用函数总结,详细介绍了图像的读入、显示、保存、像素处理、图像属性获取、基础操作、阈值处理、图像平滑、形态学转换以及直方图处理等关键技术。文章通过代码示例和参数说明,帮助读者快速掌握OpenCV在图像处理领域的应用。

weixin_44063529的博客 1601

LangChain 中文入门教程

众所周知 OpenAI 的 API 无法联网的,所以如果只使用自己的功能实现联网搜索并给出回答、总结 PDF 文档、基于某个 Youtube 视频进行问答等等的功能肯定是无法实现的。LangChain。这个库目前非常活跃,每天都在迭代,已经有 22k 的 star,更新速度飞快。LangChain 是一个用于开发由语言模型驱动的应用程序的框架。可以将 LLM 模型与外部数据源进行连接允许与 LLM 模型进行交互LLM 模型:Large Language Model,大型语言模型。

查理王的博客 5297

跨平台烧录实战:RKDevTool在Windows/Linux/MacOS下的统一与差异

本文详细解析了RKDevTool在Windows、Linux和macOS三大操作系统下的固件烧录实践,重点介绍了RK3576开发板的环境配置、工具链选择、烧录模式切换及常见问题解决方案,帮助开发者构建稳定可靠的跨平台烧录工作流。

cnn8visionary的博客 211

LangChain 中文入门教程 langchain中文教程

LangChain官方文档假如我们想要用openai api对一段文本进行总结,我们通常的做法就是直接发给 api 让他总结。但是如果文本超过了 api 最大的 token 限制就会报错。这时,我们一般会进行对文章进行分段,比如通过tiktoken计算并分割,然后将各段发送给 api 进行总结,最后将各段的总结再进行一个全部的总结。LangChain可以很好的帮我们处理这个过程,代码也很简单。# 导入文本# 将文本转成 Document 对象# 初始化文本分割器# 切分文本# 加载 llm 模型。

2401_85116933的博客 2929

[低代码 + AI] 明道云与 Dify 的三种融合实践方式详解

融合方式技术路径优点局限或注意事项UI 嵌入iframe 表单嵌入快速集成、用户体验一致无法自定义交互逻辑明道云调用 DifyAPI 请求节点工作流自动化、逻辑灵活有 timeout 限制、需优化 promptDify 调用明道云插件或 API 调用节点可查询实际业务数据、增强 AI 智能需理解明道云 API 结构、权限设置复杂明道云与 Dify 的结合为低代码平台注入了智能动力。

技术小甜甜:传播可落地技术,帮助个人和企业降低解决真实场景问题的成本 1188

量化交易零基础入门教程

特点 从零开始教编程。靠谱的量化交易学习资源稀少,且具有不讲编程、代码较难、过多等不适合新手等问题,本教程中则会从零开始教编程,解决量化入门过难过编程门槛这一问题。 量化与编程相结合。本教程不仅会教编程,而且会尽量结合量化情景,减少“我要做量化交易为什么要看这些用来培训程序员的东西”的愤懑。 简易精炼,快速入门。尽量只讲最核心最常用的知识,助你快速摆脱想学习量化却处处陌生不知所措的茫然的新手阶段。 读前说明 文后会有自测与自学,包括一些额外的延伸自学内容以及稍有难度的自测题目。 最最最基础的股票.

JanLEE 2889

【新手友好】LangChain中文入门:AI应用开发框架详细教程

本文介绍了LangChain中文入门教程,涵盖核心概念与实战案例。教程包含Loader加载器、Document文档、Text Splitters文本分割、Vectorstores向量数据库等基础概念,并提供7个实战案例,如单次问答、Google搜索答案、超长文本总结、本地知识库问答机器人构建等。此外还包含多个应用示例,如结构化输出、网页爬取JSON数据、带记忆的对话机器人等。文章提供了官方文档链接和GitHub项目地址,适合开发者快速掌握LangChain框架的LLM应用开发能力。

2401_85154887的博客 5266

【推荐100个unity插件之34】在unity中实现和Live2D虚拟人物的交互——Cubism SDK for Unity

Live2D是一款2D建模的软件,常用于游戏,动态壁纸,虚拟主播,游戏公司里面是有专门的ive2D岗位的。游戏里面还有一个经常使用的软件——spine,他做的也是2d的模型,但是他更适合做一些动作,Live2D更适合人物交互方面。

向宇的博客,专注php/web全栈 unity游戏开发,欢迎大家评论纠错 5000

LangChain手册01-基本概念

要记住的重要一点是,即使您使用的是聊天模型,API 本身也是无状态的,这意味着它不会记住以前的交互 - 您必须将它们传递进来。代理执行器负责调用代理,取回动作和动作输入,用相应的输入调用动作引用的工具,获取工具的输出,然后将所有信息传递回代理以获取它应该采取的下一步行动。链是一系列预先确定的步骤,因此可以很好地开始,因为它们可以让您更好地控制并让您更好地了解正在发生的事情。我们的意思是,您首先自己总结每个块,然后将摘要分组并总结每个块的摘要,并继续这样做,直到只剩下一个。一个常见的用例是想要总结长文档。

记录学习中的点点滴滴,分享学习中的分分秒秒 1587

【从零开始学习 UVM】1.2、UVM 概述 —— UVM Installation(UVM 安装)

【从零开始学习 UVM】1.2、UVM 概述 —— UVM Installation(UVM 安装)

努力,加油每一天鸭~ 1947

大模型测试人员完整学习体系(分层成长路线 + 知识框架 + 落地实操)

本文系统构建了大模型测试工程师的4级能力成长体系:L1(测试执行)-L2(专项测试)-L3(质量体系)-L4(行业标准),详细拆解了每个阶段的核心技能图谱。重点包括:入门层需掌握传统测试基础和大模型产品逻辑;进阶层需精通Prompt用例设计、RAG测试、安全对齐、自动化评测等专项能力;高级层聚焦评测平台搭建与质量体系建设;专家层深入算法对齐与行业标准制定。文章配套提供了分阶段技术工具栈、3-12个月学习路径及5类实战项目建议,形成了一套完整的大模型测试人才能力培养框架。

SmallBull的博客 459

LangChain学习资源与开发模板完全手册

本文全面介绍了LangChain的学习资源体系与开发模板,包括官方教程、中文社区资源、视频教程系列、Notebook学习路径,以及Streamlit、Gradio和Next.js等全栈开发模板。内容涵盖从基础概念到高级应用的完整学习路线,为开发者提供构建智能AI应用的系统指南和实践方案。 ## LangChain官方教程与中文入门指南 LangChain作为当前最热门的大语言模型应用开发框架

gitblog_00246的博客 470

轻松上手的LangChain学习说明书

在创建prompt时,我们也可以按照自己的需求去创建自定义的提示模版。官方文档举了一个生成给定名称的函数的英语解释例子,在这个例子中函数名称作为输入,并设置提示格式以提供函数的源代码:代码语言:javascript。

2401_82469710的博客 1521

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

LangChain 框架上手难吗,看完这几个实战案例你就懂了

本文通过文档问答、SQL 交互及自定义代理三个实战案例,深度解析 LangChain 框架的上手难度与应用价值。文章指出 LangChain 作为大模型应用开发的核心工具,极大简化了 RAG 与 Agent 的编排流程,帮助开发者快速构建高效 AI 应用,是掌握大模型工程化落地的关键。

2601_96285276的博客 260

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

轻轻松松上手的LangChain学习说明书

在创建prompt时,我们也可以按照自己的需求去创建自定义的提示模版。官方文档举了一个生成给定名称的函数的英语解释例子,在这个例子中函数名称作为输入,并设置提示格式以提供函数的源代码:代码语言:javascript复制。

2401_85373898的博客 1415

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

对比传统学习:用AI解读LangChain手册效率提升300%

最头疼的是想测试不同记忆机制的效果时,得手动复制代码到本地配置环境,光是处理依赖冲突就浪费半天。实测发现,传统方式完成本章学习平均需要3小时,而通过AI辅助仅35分钟就能掌握核心内容并完成验证,效率提升近5倍。对于想专注学习核心逻辑而非环境调试的人来说,这种"所见即所得"的体验确实省心。最近在学LangChain1.0的官方手册,发现第六章"记忆机制"这部分特别实用但内容密集。平台的一键部署功能让验证环节变得极其简单——点击按钮就能实时看到对话链的运行效果,不用操心环境配置。的AI辅助功能,效果出乎意料。

GreyWolf12的博客 699

基于LangChain的大模型学习手册(入门级)

时间轴来到2024年的下半年,“大模型”这个术语,从几乎是ChatGPT的代名词,转变为AI领域一个划时代产品的广泛词汇。从单一到广泛,代表大模型这个世界级产品,正在走向枝繁叶茂的生命阶段。模型类型主要用途NLP大模型文本生成式,主要用于处理自然语言文本。有GPT系列、BERT系列等计算机视觉(CV)大模型主要用于处理图像和视频。包括Inception、ResNet、DenseNet等语音识别(ASR)大模型专注于语音信号的处理,如语音识别和语音合成,包括WaveNet等。

splendid_java的专栏 1479

LangChain 50个核心工具完全指南

LangChain提供了丰富的工具生态系统,从基础的语言模型到复杂的代理系统,涵盖了构建AI应用的各个方面。通过合理组合这些工具,可以构建出功能强大、可扩展的智能应用系统。应用场景: 明确具体需求性能要求: 考虑响应时间和准确性成本控制: 评估API调用费用维护成本: 选择易于维护的方案扩展能力: 考虑未来发展需求希望这个指南能帮助你更好地使用LangChain工具,构建出色的AI应用!

chenchihwen的专栏 1040

需要全面学习LangChain?您看这篇就够了

LangChain 是一个框架,用于开发由大型语言模型(LLMs)驱动的应用程序。LangChain 简化了 LLM 应用生命周期的每个阶段:•。

qianggezhishen的专栏 1367

Langchain-Chatchat在航空业的应用:飞行手册与应急预案查询

基于Langchain-Chatchat构建的本地化知识库系统,正应用于航空领域飞行手册与应急预案的快速查询。通过RAG架构结合大语言模型与向量检索,实现秒级响应、精准溯源的操作指引,提升飞行安全与决策效率。系统已在部分航司试点,支持语音交互、多轮对话与离线部署,逐步融入智能驾驶舱生态。

weixin_31715353的博客 791

从API到Agent:洞悉LangChain工程化设计

本文作者试着从工程角度去理解LangChain的设计和使用。大家可以将此文档作为LangChain的“10分钟快速上手”手册,希望帮助需要的同学实现AI工程的Bootstrap。

简放视野的专栏 1231

LangChain.js 完全开发手册(一)AI 应用开发入门,大模型入门到精通,收藏这篇就足够了!

LangChain.js 是一个专为构建大语言模型(LLM)应用而设计的 JavaScript/TypeScript 框架。它的核心理念是让开发者能够轻松地将 LLM 与其他数据源和计算资源连接起来,构建智能、上下文感知的应用程序。

2401_82469710的博客 1207

LangChain实战手册:打造高复用与可扩展的LLM应用

今天又来给大家推荐一本大模型方面的书籍这本书专门为那些对自然语言处理技术感兴趣的读者提供了系统的LLM应用开发指南。全书分为11章,从LLM基础知识开始,通过LangChain这个开源框架为读者解读整个LLM应用开发流程。下载当前版本:完整版本链接获取👉[优快云大礼包🎁: PDF 免费分享 [免费获取]😝有需要的小伙伴,可以V扫描下方二维码免费领取==🆓。

2401_84495872的博客 1626

用LangChain实现Vectara多查询RAG:轻松上手指南

通过本文,您了解了如何使用LangChain和Vectara实现多查询RAG的方法。建议进一步查阅LangChain和Vectara的官方文档以及相关的开发者社区论坛,以深入探索更多功能。

bagell的博客 813
上一篇: Java面试题及答案整理
下一篇: java面试一定会遇到的200个面试题(程序员必备)
一只幸运猫.
博客等级 码龄1年 10粉丝 83原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值