花千树的专栏

ReAct（Reasoning + Acting）是一种结合了推理（Reasoning）和行动（Acting）的智能代理架构。它让 AI 能够在推理的同时与环境进行交互，从而提升决策能力。例如，在问答任务中，ReAct 允许 AI 先进行逻辑推理，再调用搜索工具获取更多信息。REACT_DOCSTORE 在 ReAct 基础上集成了文档存储（DocStore），让 AI 先检索相关文档，再进行推理。这种方式适用于信息密集型任务，能够大幅提高 AI 对知识库的支持能力。

零样本学习（Zero-Shot）：无需提供示例，LLM 通过工具的描述来决定如何使用它们。自适应推理（ReAct）：LLM 通过思考和行动循环决定调用哪个工具。工具可扩展：可以动态地向 Agent 添加新的工具。这种方式特别适用于开放域问答场景，例如查询天气、获取时间、计算数值等。

j-langchain 是一款基于 Java 的 AIGC 编排框架，致力于集成多种大模型（LLM）调用及 RAG 工具。自 1.0.8 版本起，我们引入了工具函数（Function Call）调用能力，正式实现了Tools功能，并将其与模式结合，从而构建出功能丰富、交互智能的Agent系统。在本文中，我们将通过一个详实的实例，展示如何利用 Tools 功能编排一个具备 ReAct 反应链的 Agent。

LangChain 总结了 9 种经典的复杂模型交互模式，每种都针对特定任务设计，兼具独特优势与适用场景，内容涵盖： ReAct、Function Call、知识库、搜索等，使用这些模式可以大大简化这些场景开发难度。这些模式可以使用Agent形式来使用，并以AgentType来做区分，详见下面实例。在开发时，选择合适的 AgentType 是成功的关键，本文将逐一剖析这些代理类型，结合特性分析、应用场景和代码示例，助你在实际项目中快速找到最优解。

是一个基于 Java 的链式模型开发框架，旨在帮助开发者利用现代语言模型（如 ChatGPT、Ollama 等）进行多步骤的推理和数据处理。它特别适合用于构建编排复杂的应用程序，这些应用程序涉及到多个步骤的转换、文档处理、模型推理等。本文展示了如何使用 J-LangChain 框架从 PDF 文件中提取信息并进行基于问题的回答。我们通过加载 PDF 文档、切分文档、向量化文档内容并存储到 Milvus 中，然后构建问答流程，最终利用语言模型来回答用户的问题。

我们使用RAG（检索增强生成）技术，将检索到的文档与生成模型（如ChatOllama）结合，生成最终的答案。方法提供了一个预定义的RAG提示模板。# 定义RAG提示模板# 格式化检索到的文档# 定义RAG链| prompt在这里，我们将检索到的文档内容格式化为字符串，并将其与用户的查询一起传递到生成模型中，以生成最终的答案。通过本教程，我们展示了如何使用FastAPI和LangChain框架，结合检索增强生成（RAG）技术，构建一个基于PDF文档的问答系统。

随着人工智能和机器学习应用的快速发展，尤其是在自然语言处理（NLP）、图像识别、推荐系统等领域，对高效的向量存储和检索需求日益增长。通过对这些100多种向量存储解决方案的介绍，我们可以看到，随着人工智能和机器学习技术的不断进步，向量数据存储的需求也在不断增长。从内存型存储到基于云的分布式存储系统，针对不同应用场景和数据规模的需求，向量存储平台不断发展和优化。无论是小规模的开发环境，还是大规模的企业级应用，还是实时数据处理需求，开发者可以根据具体的场景需求选择最适合的向量存储解决方案。

对于较长的文档，我们将只提取前后部分的内容进行摘要，以避免过长的输入对生成过程产生影响。如果文档长度小于 2000 字符，则直接使用全文作为输入进行摘要。} else {这样，我们能够确保在摘要生成时，文本不会过长，同时仍然覆盖文档的关键部分。通过框架，我们能够高效地将 PDF 文档中的文本提取出来并生成简洁的摘要。在实际应用中，这种方法不仅能够提高处理效率，还能使得文本摘要更加贴近我们需要的关键信息。

LangChain 的文档转换器主要用于将不同格式的文档转换为统一的文本格式，方便后续处理。例如，HTML、Markdown 或其他格式的文档可以通过相应的转换器转化为纯文本。在处理长文本时，通常需要将其拆分为更小的块，以适应模型的输入限制。LangChain 提供了多种文本拆分器，满足不同的拆分需求。通过本篇博客，我们详细介绍了 LangChain 框架中的文档转换器和文本拆分器，并通过一个实际的示例展示了如何使用将 HTML 内容转换为纯文本，并结合对文本进行拆分。

在这部分代码中，我们将设置Ollama的大语言模型并创建一个LangChain的链条来生成总结。你可以选择不同的Ollama模型，在这里我们选择了模型。为了生成总结，我们构建了一个简单的总结提示模板，要求生成的总结字数不超过100字。# 设置Ollama模型# 创建总结的提示模板请对以下文本进行总结（100个字以内）：{text}总结："""# 创建提示模板# 创建LLM链# 生成总结# 输出总结通过上面的代码示例，我们已经展示了如何结合LangChain和Ollama。

基于库，提供智能的内容解析功能，能够自动将文档拆分为不同的部分，如段落、标题、表格等，并支持将结果输出为JSON格式。此外，它还集成了OCR功能。特点适用于格式复杂的PDF文档。能够按块解析长文档，提供结构化数据。支持JSON格式输出，方便进一步处理。结合OCR技术，能够处理包含图片的PDF。适用场景需要按内容块拆分的文档。需要提取不同层级信息（如标题、正文、表格）。需要结构化输出（如JSON格式）。LangChain提供了丰富的PDF解析工具，适用于不同场景的文档处理需求。

j-langchain是一个Java版的LangChain开发框架，具有灵活编排和流式执行能力，旨在简化和加速各类大模型应用在Java平台的落地开发。它提供了一组实用的工具和类，使得开发人员能够更轻松地构建类似于LangChain的Java应用程序。

j-langchain是一个Java版的LangChain开发框架，具有灵活编排和流式执行能力，旨在简化和加速各类大模型应用在Java平台的落地开发。它提供了一组实用的工具和类，使得开发人员能够更轻松地构建类似于LangChain的Java应用程序。

流式处理是基于大型语言模型（LLM）的应用程序中提升用户体验的重要技术之一。通过逐步生成输出，流式处理可以显著提升应用响应性，使用户更快获得反馈。本教程将详细讲解如何在LangChain中实现流式运行，包括从简单的LLM流式输出到更复杂的流式链处理。流式处理是提高基于LLM的应用程序响应性的关键技术。通过结合流式模型、链式操作、生成器函数以及事件监控，可以构建高效的流式应用。本教程介绍了从基础到高级的实现方法，为开发者提供了全面的参考。

本项目是一个Java版的LangChain开发框架，旨在简化和加速各类大模型应用在Java平台的落地开发。它提供了一组实用的工具和类，使得开发人员能够更轻松地构建类似于LangChain的Java应用程序。

j-langchain是一个Java版的LangChain开发框架，旨在简化和加速各类大模型应用在Java平台的落地开发。它提供了一组实用的工具和类，使得开发人员能够更轻松地构建类似于LangChain的Java应用程序。

通过chain = ({question}Answer:"""Answer:"""Answer:"""else:"})else:"})LangChain的LCEL通过提供顺序链、嵌套链、并行链、路由和动态构建等功能，为开发者构建复杂的语言任务提供了强大的工具。无论是简单的逻辑流还是复杂的动态决策，LCEL都能高效地满足需求。通过合理使用这些功能，开发者可以快速搭建高效、灵活的智能链，为各种场景的应用提供支持。

ReAct 框架，即 Reasoning and Acting（推理和行动），是一种让模型在处理复杂任务时通过推理逐步制定行动决策的模式。推理：逐步理解任务需求，制定行动计划。行动：在每个步骤中调用所需的工具（如 API、数据库），并基于反馈继续推理。这种模式尤其适合用于构建智能助手、问答系统等复杂应用，能让模型根据上下文灵活选择下一步操作。通过 LangChain 和 ReAct 框架，我们可以构建具备推理与行动能力的智能助手，让其能够逐步分解复杂任务并动态调用工具，为用户提供更智能的服务。

通过本教程，我们了解了如何基于 Neo4j 图数据库和 LangChain 构建问答应用。从问题转换为 Cypher 查询到执行查询并生成自然语言答案，我们简要介绍了实现流程。您可以根据实际需求进一步定制和扩展此系统。系列文章索引LangChain教程 - 系列文章。

在本教程中，我们演示了如何通过链（Chains）和代理（Agents）实现基于SQL数据的问答系统。链适用于步骤明确、可预测的场景，而代理适合处理更加复杂和灵活的查询需求。在实际使用中，务必保证数据库的安全性，避免潜在的风险。系列文章索引LangChain教程 - 系列文章。

通过本教程，您学习了如何使用 LangChain 构建一个对话式的检索增强生成系统。我们详细介绍了如何加载文档、创建检索器、构建问答链，并在系统中加入聊天历史支持。最后，我们使用实现了对聊天历史的状态化管理，使系统能够自动处理多轮对话。通过这些步骤，您可以创建一个支持复杂对话和上下文处理的智能系统，用于回答用户问题并提供精准的内容检索和生成功能。在这个支持聊天历史的 Conversational RAG 系统中，LLM 总共被调用了4 次第一次 LLM 调用：通过格式化第一个问题，确保其独立于聊天历史。

本地部署：FAISS、Chroma、Milvus 适合需要在本地进行开发和测试的项目。云托管解决方案：Pinecone、Weaviate、Zilliz Cloud 等适合需要高可用性和大规模分布式部署的应用。实时应用：Redis 通过其低延迟的特性，适合需要快速响应的应用场景。根据你的需求选择合适的向量数据库，与 LangChain 集成构建高效的检索增强生成系统。

RAG 是一种通过检索额外数据来增强大型语言模型知识的技术。虽然 LLM 可以处理各种广泛主题，但其知识受限于训练时使用的公共数据，通常只包含模型训练时之前的数据。如果你想构建能够处理私有数据或模型训练后新增数据的 AI 应用，就需要为模型提供特定的信息。这个过程称为(RAG)，即从外部数据源获取信息并将其插入模型的提示中。LangChain 提供了很多组件来帮助构建问答应用程序，以及更通用的 RAG 应用程序。

在本教程中，我们将学习如何使用 LangChain 创建一个能够与搜索引擎交互的智能代理。代理可以通过大语言模型（LLM）作为推理引擎来确定执行的操作和输入，执行这些操作后，再将结果反馈到 LLM 以决定是否需要继续操作或结束对话。

在这个教程中，你将了解 LangChain 的向量存储和检索器抽象。这些抽象旨在支持从（向量）数据库和其他来源检索数据，并将其集成到大语言模型（LLM）的工作流程中。这在基于检索增强生成（RAG）等应用中尤为重要，因为这些应用需要在模型推理过程中提取数据供模型进行推理。通过本教程，你应该已经了解了 LangChain 的向量存储与检索器的基本概念和使用方法。这些工具为构建复杂的基于 LLM 的应用提供了强大的数据检索能力。你可以进一步结合这些概念开发更加智能的应用。

LangChain 是一个专为开发大语言模型（LLM）应用程序设计的框架。它提供了丰富的模块化工具，支持开发者轻松构建、管理和部署复杂的 LLM 应用程序。LangChain 允许将语言模型、提示模板、输出解析器等组件进行无缝集成，同时支持链式调用和复杂任务的处理，适用于对话系统、内容生成、翻译等多种场景。

在本教程中，我们将逐步讲解如何设计和实现一个基于 LLM 的聊天机器人。该聊天机器人不仅可以进行对话，还能够记住之前的交互内容。

通过本教程，你学习了如何创建一个简单的 LLM 应用，如何使用语言模型，解析模型输出，创建提示模板，使用 LCEL 链接组件，以及如何通过 LangServe 部署应用。这只是入门的第一步，成为一个熟练的 AI 工程师还需要掌握更多知识。幸运的是，我们提供了丰富的资源供你学习！

LangChain 是一个专为简化由大语言模型（LLM）驱动的应用程序开发的框架，提供了一整套模块和工具，帮助开发者构建、生产化和部署智能应用。LangChain 通过模块化设计，涵盖了从开发到监控的各个环节。：LangChain 提供丰富的模块、组件和第三方集成，允许开发者灵活组合来构建 LLM 应用。通过 LangGraph，可以创建复杂的有状态代理，支持流式处理和人类参与。：使用 LangSmith 监控、检查并优化应用链路，帮助开发者持续改进模型和应用的性能。