letwant的博客

LangChain中的 Document组件 是构建 检索增强生成（RAG） 流程的核心数据结构。它在整个文档处理流程中扮演着统一数据格式、传递信息和管理元数据的关键角色。Document类是LangChain中用于表示文档的标准格式，其核心属性包括：特点：无论文档来自哪种数据源（如PDF、Markdown、数据库等），LangChain的文档加载器（如 、）都会将原始数据转换为标准的 格式。示例：(2) 元数据管理 字段支持存储额外信息，例如：文档来源（）创建时间（）文件类型（）分

为可替换组件设置唯一标识符（

是 LangChain 中用于将普通函数或可调用对象转换为可运行对象（Runnable）的工具。通过这种方式，开发者可以将自定义逻辑无缝集成到 LangChain 的链式结构中，实现灵活的 AI 应用开发。

在 LangChain 中，Model是一个核心抽象概念，代表语言模型（Language Model）或聊天模型（Chat Model）的接口。它是与底层大语言模型进行交互的关键组件，负责接收输入并返回模型生成的结果。通过Model远程 API 提供的语言模型（如 OpenAI GPT 系列、Anthropic Claude、Google Gemini 等）本地部署的开源模型（如 Hugging Face Transformers 支持的各种 LLM）

初创/快速原型：LangChain（生态丰富）或 Haystack（低代码）。数据密集型应用：LlamaIndex（检索优化）。复杂代理系统：AutoGen（协作设计）。Java企业环境：Spring AI（生态整合）。技术选型本质是匹配场景需求，参考决策树明确优先级后，可进一步结合实战案例验证框架适配性。"""聊天接口"""# 1. 提取从接口中获取的输入，POST# 2. 构建LLM客户端# 百度文心一言大语言模型# 3. 将llm与输出解析器创建链。

是一个字符串模板，其中包含固定文本 + 动态变量。模型输入前，这些变量会被实际值替换，形成最终的 Prompt 输入给 LLM。# 定义模板# 使用模板生成具体 Prompt# 输出: Hello Alice, could you please help me with data analysis?

State 是整个工作流的共享上下文，所有节点读取和更新它。它决定了“系统当前知道什么”以及“下一步能做什么”。所有节点函数接收State作为输入，并返回一个局部更新字典，框架自动将其合并到全局状态中。TypedDictState定义数据契约；Node实现业务逻辑；Edge控制执行路径；StateGraph组装蓝图；执行流程；（可选但重要）提供状态持久化与会话管理。这些组件共同构成了 LangGraph 的核心抽象，使得开发者能够以声明式、模块化、可测试的方式构建复杂的 AI 工作流。

函数名（name）描述（description）参数格式（JSON Schema）"description": "获取某只股票的当前价格","symbol": {"type": "string", "description": "股票代码，如 'AAPL'"},},函数调用 = 让大模型“知道自己不知道”，并知道“找谁问”。它把 LLM 从一个“纯文本生成器”升级为一个能与现实世界交互的智能代理，是构建实用 AI 应用（如智能客服、个人助理、自动化工作流）的核心技术之一。

如果需要进一步细化某个模块（如 OCR 解析、知识图谱构建），可以随时补充！文档预处理 & 切片。向量化 & 构建索引。

在使用 LangChain 开发的时候，某些场合我们希望在一个 Runnable 可运行队列中调用另一个 Runnable，并传递一些常量参数，但是这些参数不是前一个 Runnable 的输出的一部分，也不是用户输入的一部分，而是某个 Runnable 组件的一部分参数。我们就可以考虑使用 Runnable.bind() 来传递这些默认参数。bind() 函数用于修改 Runnable 底层的默认调用参数，并在调用时会自动传递该参数，无需手动传递，像原始链一样正常调用即可。

phone: str。