forevercui的博客

本文介绍了在KylinV10SP1环境下使用Python3.10和bisheng2.2.0实现MCP工具扩展的完整流程。通过编写FastMCP工具样例实现多种数据类型验证功能，并构建Docker镜像(py_mcp_tools:v0.0.1)进行部署。重点展示了从代码实现、Dockerfile编写到镜像构建测试的全过程，包括设置Python环境、安装fastmcp依赖、配置工作目录等关键步骤。最终实现compose方式多工具在同一镜像运行

elasticsearch多个启动冲突问题解决，bisheng智能体编排

bisheng 1.2版本的后端本地部署

bisheng平台使用docker部署，前后端使用代码部署，实现开发环境调试

本文基于bisheng的官方文档实现了本地部署，并处理相关的报错信息以及可能的错误信息。后续说明如下代码本地部署并启动前后端。

Qdrant 安装，不使用docker的方式

本文主要写了LangGraph实现多代理（多智能体）的概念、原理、代码实现，除此之外还是用了函数API的方式来实现功能

本文主要说明LangGraph的子图代码实现以及原理简介，涉及到子图通信、人机交互、历史回溯、子图更改state、更改节点、更改子图等内容，本文也是作为多智能体的铺垫。多智能体结束后，本系列文章也就结束了。

本文以LanGraph官网的快速开始为引导，按照自己的想法进行修改，详细介绍相关的知识点，实现整个流程

LangChain核心思想逐渐向LangGraph偏移，同时有了LangGraph Platform、LangGraph Studio。LangSmith之前就有了，这三个组件作为辅助类的应用，本文进行了简单的介绍以及使用，方便后续博客的工具使用

LangGraph的基本原理以及详细介绍，基本概念说明，流程详解，代码示例

LangChain实现tool的功能，基础功能实现，多工具调用

RAG的原理介绍以及代码实现

使用LangChain基本组件实现翻译功能，设计提示词优化、少量示例、流式输出、异步、异步多线程、多线程等各种示例

针对LangChain的提示词中few-shot进行代码演练

LangChain的提示词模板的理论与实战

LangChain是一个开源的python AI框架，提供了基于大模型的AI应用所需的模块和工具。通过LangChain，开发者可以轻松的与LLM集成，完成对话、文本生成、翻译等应用的开发，同样也可以实现多模态模型的集成。

LangChain入门，基于langchain实现翻译应用功能。同时实现了多语言翻译以及流式输出

调用apikey和本地部署的区别仅在api_key、base_url、model三个参数有区别。

使用langgraph作为历史记录存储，使用FastAPI和langchain实现对话

第二个字典中存储了两个问答，第一个字典存储了一个问答。环境：openEuler、python 3.11.6、Azure openAi、langchain 0.3.3。背景：开发项目使用langchain框架，需要实现聊天记录记忆功能。说明：官文已说，推荐langgraph，但此类依然长期使用。返回值中有两个字典，这是存储的记录，可以分析得知，存储成功。显然，已将聊天的问题添加到store中。会话使用两个id来精细化存储聊天信息。时间：20241021。可以看到，效果是类似的。

环境：openEuler、python 3.11.6、nemoguardrails 0.10.1、Azure openAi、langchain 0.2.16背景：开发项目使用langchain框架，需要将nemo-guardrails集成到langchain中时间：20241015说明：之后有时间再优化吧，现在只是给自己作为一个记录，一直看崩溃的英文文档源码地址：尚无。

nemo-guardrails基本应用以及避坑fastembed.common.model_management:download_model:248NO_SUCHFILE : Load model from /tmp/fastembed_cache/fast-all-MiniLM-L6-v2/model.onnx