Cheer_RIO的博客

本文介绍了ConversationKGMemory模块，这是一种基于图结构管理对话实体关系的记忆系统。该模块能够提取并存储知识三元组（主体-关系-客体），有效捕捉实体间的复杂关联。 主要内容包括： 功能特点：支持对话上下文存储、实体提取、知识三元组获取等功能 核心方法： get_topological_sort()：返回按依赖关系排序的实体列表 get_current_entities()：从输入中提取专有名词 get_knowledge_triplets()：检索实体间的关联信息 应用示例：展示了如何结合

摘要： ConversationEntityMemory是一种对话记忆存储机制，能够提取并保存对话中提到的特定实体信息。文章展示了两种实现方式：1) 旧版本(<1.0)通过简单字典存储实体信息；2) 新版本(≥1.0)采用结构化EntityState类型，包含实体类型、置信度等更多元数据。通过代码示例演示了两种实现的具体应用，新版本通过状态图(graph)方式实现了更灵活的实体提取和记忆功能，能够更好地支持多轮对话中的实体信息维护和引用。

摘要： ConversationTokenBufferMemory是一种基于令牌长度管理对话历史的机制，通过max_token_limit控制存储上限，支持自定义消息前缀。旧版本（<1.0）直接存储对话，而新版本（≥1.0）结合LangGraph框架，通过MemorySaver动态计算和截断令牌（如使用tiktoken编码器），支持智能总结和多策略混合管理。高级用法包括动态调整令牌限制、自定义计算逻辑及与其他记忆策略结合，适用于复杂对话场景。

本文介绍了ConversationBufferWindowMemory的实现原理与应用。这是一种基于滑动窗口的对话记忆管理机制，只保留最近K次交互内容，避免内存膨胀。文章展示了两种实现方式：1）1.0版本前的传统方法，通过模拟银行开户流程演示了仅保留最近2轮对话的效果；2）1.0版本后的新方法，使用MemorySaver和StateGraph构建，实现保留3条消息的窗口记忆。两种方法都验证了滑动窗口在对话系统中的应用价值，能有效控制记忆存储规模，同时保持对话连贯性。

这是一个用于在缓冲区中存储对话历史的内存类。通常情况下，不需要额外的处理。但是，当对话历史超出模型的上下文窗口时，可能需要进行额外处理。学习如何使用来存储和检索对话历史。

摘要提示词旨在生成简洁、信息丰富的文档摘要，同时保留关键信息和上下文。from langsmith import Client from langchain_core . prompts import PromptTemplate # 将提示上传到 LangChain Hub。# 别忘了在环境变量中设置 LangSmith API。请根据以下要求对句子进行总结。要求：1. 以项目符号的形式概括要点。2. 每条总结句开头需使用贴合句意的表情符号。3. 使用多样的表情符号让摘要更有趣。

本文介绍了LangChain Hub提示词的使用方法，主要包括两大功能：1）从Hub获取预设提示词，如RAG问答模板；2）向Hub注册自定义提示词（如韩语摘要模板）。通过简单的Python代码即可实现提示词的拉取、执行和共享，显著提升开发效率。LangChain Hub作为提示词集中管理平台，支持搜索分类、版本控制和团队协作，使开发者能够快速复用优质提示词模板。文中提供了详细的操作示例和API参考链接，帮助开发者快速上手这一高效工具。

本文介绍了LangChain框架中的少样本提示技术（Few-Shot Prompting），重点讲解了提示词模板和实例选择器的应用。主要内容包括： 少样本提示模板（FewShotPromptTemplate）的作用机制，通过嵌入示例引导模型生成符合预期的输出 实例选择器（Example Selector）的核心价值，包括： 实现语义缓存降低维护成本 优化token使用效率 支持多租户隔离 增强可解释性 支持实时修正 扩展多模态能力 详细说明了实例选择器的工作流程，以及如何与Chroma向量存储结合实现动态示

本文介绍了使用LangChain构建提示词模板的方法。主要内容包括：1）两种创建PromptTemplate对象的方式（from_template方法和直接实例化）；2）使用partial_variables进行部分变量赋值；3）从YAML文件加载模板；4）高级功能如ChatPromptTemplate和MessagePlaceholder的使用。教程提供了具体代码示例，展示如何动态生成提示词，并演示了与Qwen2.5-7B-Instruct模型的集成应用。通过学习这些技术，开发者可以创建更灵活、可维护的提

本文介绍了如何使用PandasDataFrameOutputParser与LLM交互处理表格数据。主要内容包括：1) 定义大语言模型(Qwen2.5-7B)的配置；2) 创建DataFrameResponse输出模型将LLM响应转为pandas DataFrame；3) 演示从figshare获取航空乘客统计数据并展示前五行；4) 提供格式转换函数处理解析器输出。教程使用真实数据集替代常见的titanic数据，展示了LLM与结构化数据交互的实用方法。

摘要：CommaSeparatedListOutputParser是LangChain中的输出解析器，用于生成逗号分隔的结构化列表数据。它通过以下步骤实现：1)导入模块并初始化解析器；2)创建提示模板定义输出格式；3)集成ChatOpenAI模型运行链式调用。该工具支持流式输出和Python索引访问，适用于数据提取、内容分类、自动摘要等多种场景，能有效提高数据处理的清晰度和工作效率。测试案例展示了如何使用该解析器生成"中国著名地标"列表并访问其中的元素。

本文介绍了如何使用PydanticOutputParser将语言模型输出转换为结构化数据。文章包含两个主要部分： 基础使用：展示如何用StrOutputParser提取邮件关键内容，获得文本摘要。 高级使用：通过定义Pydantic数据模型(EmailSummary类)，使用PydanticOutputParser将邮件内容解析为结构化JSON格式。重点说明了字段描述的重要性、数据验证以及两个核心方法： get_format_instructions()：提供输出格式说明 parse()：将文本转换为结构化

什么是RAG？RAG是一种 混合AI Agent架构 ，它将传统的信息检索系统与现代的生成式AI模型结合起来，以提高AI回答问题的准确性和可靠性。

LangGraph节点组成摘要 LangGraph节点由三核心部分组成：1)输入结构(TypedDict定义数据类型)；2)处理函数(含核心逻辑和错误处理)；3)输出结构(含结果和元数据)。关键要求包括：状态管理(共享/私有状态隔离)、多样节点类型(普通/条件/入口/出口节点)、流程控制(条件边和序列连接)以及容错机制(异常捕获和状态回滚)。节点需明确定义接口，保持逻辑纯净，并提供足够的可追溯性信息。

LangGraph父子图模式是一种模块化架构，允许父图和子图拥有不同的状态结构。关键点包括： 状态隔离：父图和子图各自定义状态模式（如ParentState和SubgraphMessagesState） 节点调用：父图中专门节点（call_subgraph）负责： 转换父图状态为子图格式 调用子图处理 将子图输出转回父图格式 核心优势： 模块化设计，子图可复用 状态结构解耦 支持复杂处理流程 典型应用场景：多代理系统、分阶段工作流、数据处理管道等 该模式通过状态转换实现灵活集成，是构建复杂LangGraph

Q: 条件边选择了未连接的节点怎么办？A: 会从节点入口重新执行所有边逻辑。Q: 中断后边的执行会怎样？

【代码】LangGraph interrupt() 函数详解。