<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[lhxcc_fly的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/lhxcc_fly</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; lhxcc_fly]]></copyright><item><title><![CDATA[LangChain v1 多智能体（Multi-Agent）]]></title><link>https://blog.youkuaiyun.com/lhxcc_fly/article/details/163312865</link><guid>https://blog.youkuaiyun.com/lhxcc_fly/article/details/163312865</guid><author>lhxcc_fly</author><pubDate>Wed, 29 Jul 2026 20:50:12 +0800</pubDate><description><![CDATA[Multi-Agent（多智能体）系统通过协调多个专业化组件来处理复杂的工作流程。设计多智能体系统的核心是“上下文工程”——决定每个智能体能看到哪些信息。Subagents 架构中，一个中央主代理（常称为监督者）通过将子代理包装为工具来协调它们。主代理决定调用哪个子代理、提供什么输入，以及如何组合结果。特性说明集中控制所有路由都通过主代理无直接用户交互子代理将结果返回给主代理，而非用户子代理作为工具调用子代理通过工具被调用并行执行主代理可以在单次回合中调用多个子代理上下文隔离。]]></description><category></category></item><item><title><![CDATA[LangChain v1 MCP (Model Context Protocol)]]></title><link>https://blog.youkuaiyun.com/lhxcc_fly/article/details/163245409</link><guid>https://blog.youkuaiyun.com/lhxcc_fly/article/details/163245409</guid><author>lhxcc_fly</author><pubDate>Mon, 27 Jul 2026 15:48:59 +0800</pubDate><description><![CDATA[工具接口格式不统一：需为每个服务定制解析逻辑缺乏动态发现能力：模型侧需硬编码工具定义（函数名、参数 schema）多平台兼容性差：不同服务使用不同协议（REST、gRPC、XML 等）应运而生，它是一个开放标准协议，为 Tool Calling 提供统一、可扩展、跨平台的连接基础设施。1. 基本拦截器模式"""在执行前后记录工具调用日志。"""]]></description><category></category></item><item><title><![CDATA[LangChain v1 Agent 核心能力]]></title><link>https://blog.youkuaiyun.com/lhxcc_fly/article/details/163197756</link><guid>https://blog.youkuaiyun.com/lhxcc_fly/article/details/163197756</guid><author>lhxcc_fly</author><pubDate>Sat, 25 Jul 2026 20:22:53 +0800</pubDate><description><![CDATA[LangChain Agent 是一个将大语言模型（LLM）与工具（Tools）相结合的系统，能够对任务进行推理，自主决定使用哪些工具，并迭代地朝着最终目标努力。核心公式：Agent = LLM（推理引擎）+ 工具（执行能力）+ 自主决策（控制循环）Agent 遵循ReAct（Reasoning + Acting）模式Reasoning（推理）：分析当前状态，决定需要调用的工具Acting（行动）：执行工具调用，获取观察结果（Observation）循环。]]></description><category></category></item><item><title><![CDATA[LangChain v1 中间件（Middleware）]]></title><link>https://blog.youkuaiyun.com/lhxcc_fly/article/details/163174423</link><guid>https://blog.youkuaiyun.com/lhxcc_fly/article/details/163174423</guid><author>lhxcc_fly</author><pubDate>Fri, 24 Jul 2026 22:26:02 +0800</pubDate><description><![CDATA[中间件是 LangChain Agent 中一个核心的扩展机制，允许我们在 Agent 运行的生命周期中，插入自定义的逻辑来干预、监控或增强其行为。在 LangChain 中，Agent 的核心运行循环通常包括调用模型和执行工具等步骤。中间件就像是在这些核心步骤前后安装的"钩子"（hooks），让我们能够介入这个过程。对话摘要中间件的核心功能是自动监控并总结对话历史，以防止 Agent 的上下文窗口被过长的对话填满。]]></description><category></category></item><item><title><![CDATA[LangGraph 项目部署知识点总结]]></title><link>https://blog.youkuaiyun.com/lhxcc_fly/article/details/163024044</link><guid>https://blog.youkuaiyun.com/lhxcc_fly/article/details/163024044</guid><author>lhxcc_fly</author><pubDate>Sun, 19 Jul 2026 21:22:50 +0800</pubDate><description><![CDATA[LangGraph 应用基于构建，它建立在开源的 LangGraph 框架之上，用于开发有状态的应用程序。LangGraph 提供核心抽象和执行模型LangSmith 支持从开发到生产的整个生命周期，包括托管基础设施、可观察性、部署选项、助手和并发控制等。整个流程将 Agent 应用打包、构建为，并进行部署。字段必需描述$schema是Schema 验证 URL是依赖项（如表示本地包，或路径、包名）graphs是图定义映射，格式{"图ID": "文件路径:导出对象"}auth否。]]></description><category></category></item><item><title><![CDATA[LangGraph 知识点补充]]></title><link>https://blog.youkuaiyun.com/lhxcc_fly/article/details/162902936</link><guid>https://blog.youkuaiyun.com/lhxcc_fly/article/details/162902936</guid><author>lhxcc_fly</author><pubDate>Wed, 15 Jul 2026 13:28:14 +0800</pubDate><description><![CDATA[上下文是程序运行时可访问的数据和环境信息，用于传递用户身份、配置参数、数据库连接、API 密钥、会话状态等。维度类型描述示例可变性静态上下文运行中不变的数据用户ID、数据库连接动态上下文运行中会变化的数据对话记录、中间结果生命周期运行时上下文单次运行/线程有效当前请求的临时数据跨会话上下文多次会话持久化用户偏好、历史记录类型可变性生命周期访问方式静态运行时上下文静态单次运行/线程context参数传入动态运行时上下文动态单次运行图状态对象（State）]]></description><category></category></item><item><title><![CDATA[LangGraph基础知识点]]></title><link>https://blog.youkuaiyun.com/lhxcc_fly/article/details/162881710</link><guid>https://blog.youkuaiyun.com/lhxcc_fly/article/details/162881710</guid><author>lhxcc_fly</author><pubDate>Tue, 14 Jul 2026 21:04:01 +0800</pubDate><description><![CDATA[知识点：所有节点共享 State。Annotated实现列表追加/数值累加，而非覆盖。# 列表使用 operator.add，每次更新会追加，而非替换# 普通字段默认覆盖（替换）# 数值使用 operator.add，实现累加知识点：节点是接收 state 返回部分更新的函数。START是入口，END是终止。条件边通过路由函数动态选择下一节点。# 1. 定义节点函数# 返回的字典会根据 Reducer 规则合并。]]></description><category></category></item><item><title><![CDATA[6.3.2RAG--存储（向量库）]]></title><link>https://blog.youkuaiyun.com/lhxcc_fly/article/details/161753398</link><guid>https://blog.youkuaiyun.com/lhxcc_fly/article/details/161753398</guid><author>lhxcc_fly</author><pubDate>Sun, 07 Jun 2026 10:53:44 +0800</pubDate><description><![CDATA[我们将使⽤ LangChain 的来实现向量的内存存储。]]></description><category></category></item><item><title><![CDATA[6.3.1RAG--存储（嵌入向量）]]></title><link>https://blog.youkuaiyun.com/lhxcc_fly/article/details/161727764</link><guid>https://blog.youkuaiyun.com/lhxcc_fly/article/details/161727764</guid><author>lhxcc_fly</author><pubDate>Fri, 05 Jun 2026 21:31:41 +0800</pubDate><description><![CDATA[model="text-embedding-3-large", # 是 OpenAI 2024年发布的最新嵌⼊模型，⽣成3072维的⾼质量向量。]]></description><category></category></item><item><title><![CDATA[6.2RAG--文档分割器]]></title><link>https://blog.youkuaiyun.com/lhxcc_fly/article/details/161696114</link><guid>https://blog.youkuaiyun.com/lhxcc_fly/article/details/161696114</guid><author>lhxcc_fly</author><pubDate>Thu, 04 Jun 2026 22:14:29 +0800</pubDate><description><![CDATA[前文我们利用构建知识库利用文档加载器将我们的本地文件等加载进来，文档加载器会对文档进行初步的拆分（PDF加载：按照PDF文档的分页进行拆分，MD加载：按照类型或者默认的方式进行拆分），但在初次拆分可能会出现同一个Q&A或者语义相近的资料被拆分为不同的子文档，这样不符合我们的期望。因此LangChain提出了文本切割器帮助我们进行文档的二次拆分。]]></description><category></category></item><item><title><![CDATA[6.1RAG--文档加载器]]></title><link>https://blog.youkuaiyun.com/lhxcc_fly/article/details/161658802</link><guid>https://blog.youkuaiyun.com/lhxcc_fly/article/details/161658802</guid><author>lhxcc_fly</author><pubDate>Wed, 03 Jun 2026 20:09:44 +0800</pubDate><description><![CDATA[在某些应⽤程序中，例如对具有复杂布局、图表或扫描的 PDF 进⾏问答，可以跳过 PDF 解析，直接将 PDF ⻚⾯转换为图像并将其直接传递给模型可能是更准确的。想实现 RAG，⾸先就需要从源中获取数据，即加载数据或⽂档。将本地的 PDF ⽂档加载到 LangChain 中，其实就是将 PDF ⽂档转换为⼀个个。：可选的⽂档标识符。LangChain ⽂档加载器可以将各种数据源加载成⼀系列的⽂档对象。：将数据加载到⽂档对象中。：将数据加载到⽂档对象中。，表⽰要加载的 PDF ⽂件的路径。]]></description><category></category></item><item><title><![CDATA[6.LangChain--RAG]]></title><link>https://blog.youkuaiyun.com/lhxcc_fly/article/details/161657739</link><guid>https://blog.youkuaiyun.com/lhxcc_fly/article/details/161657739</guid><author>lhxcc_fly</author><pubDate>Wed, 03 Jun 2026 15:12:43 +0800</pubDate><description><![CDATA[当前对于大部分人来说我们利用LLM都是进行AI搜索来帮助我们进行知识的获取与总结。对于【AI ⼤模型】来说，它最擅⻓的是语义理解和⽂本总结，最不擅⻓的就是获取实时的信息。因为⼤模型的训练数据是有截⽌⽇期的！对于【搜索引擎】来说，它最擅⻓的就是获取实时的信息，缺点是信息分散，每次都需要⼈为进⾏总结。⼤模型与搜索引擎的结合，就是给 AI 配备了⼀个活字典，让 AI 可以随时进⾏查阅但是搜索引擎只能获取到公开在⽹络中的数据，⽽⽆法获取到⼀些本地数据，或企业内部的私有数据等，此时该如何？]]></description><category></category></item><item><title><![CDATA[5.LangChain--输出解析器]]></title><link>https://blog.youkuaiyun.com/lhxcc_fly/article/details/161624018</link><guid>https://blog.youkuaiyun.com/lhxcc_fly/article/details/161624018</guid><author>lhxcc_fly</author><pubDate>Tue, 02 Jun 2026 14:49:32 +0800</pubDate><description><![CDATA[前面LangChain系列中我们或多或少都在代码中体现过输出解析结构化，今天我们系统总结其中比较常见的。]]></description><category></category></item><item><title><![CDATA[4.LangChain--Prompt提示词]]></title><link>https://blog.youkuaiyun.com/lhxcc_fly/article/details/161568660</link><guid>https://blog.youkuaiyun.com/lhxcc_fly/article/details/161568660</guid><author>lhxcc_fly</author><pubDate>Mon, 01 Jun 2026 21:43:05 +0800</pubDate><description><![CDATA[少样本提⽰是⼀种通过向 LLM 提供少量具体⽰例或样本，来教会它如何执⾏某项特定任务的技术。提⾼模型性能的最有效⽅法之⼀是给出⼀个【模型⽰例】指导⼤模型你想做什么、怎么做。]]></description><category></category></item><item><title><![CDATA[2.LangChain--聊天模型之流式传输]]></title><link>https://blog.youkuaiyun.com/lhxcc_fly/article/details/161458050</link><guid>https://blog.youkuaiyun.com/lhxcc_fly/article/details/161458050</guid><author>lhxcc_fly</author><pubDate>Fri, 29 May 2026 17:11:41 +0800</pubDate><description><![CDATA[前面我们知道LangChain可以将多个组件链起来进行封装使用，当时我们提到过一个输出解析器组件StrOutputParser，它能自动从 AIMessageChunk中提取内容字段，为 我们提供模型返回的令牌。我们可以在此基础上自定义输出格式，使流式输出更符合我们的要求。sream返回的是一个迭代器，我们可以操作该迭代器进行自定义的消息块处理并输出。比如前面的案例的流式输出是一个字token输出，我们可以让其按照一句话一句话进行输出# 定义⼤模型# 定义输出解析器# 定义⽣成器。]]></description><category></category></item><item><title><![CDATA[3.LangChain组件--消息]]></title><link>https://blog.youkuaiyun.com/lhxcc_fly/article/details/161493104</link><guid>https://blog.youkuaiyun.com/lhxcc_fly/article/details/161493104</guid><author>lhxcc_fly</author><pubDate>Fri, 29 May 2026 17:11:20 +0800</pubDate><description><![CDATA[本文介绍了LangChain中的消息处理机制，主要包括原生LLM消息结构、LangChain统一消息格式、历史消息缓存管理以及消息的裁剪、筛选和合并操作。LangChain通过BaseMessage子类提供跨模型统一消息格式，支持多模态内容。文章详细讲解了如何使用RunnableWithMessageHistory管理对话历史，并演示了trim_messages()进行token/消息数裁剪、filter_messages()按类型/ID筛选消息，以及merge_message_runs()合并同类型消息的]]></description><category></category></item><item><title><![CDATA[2.LangChain--聊天模型结构化返回]]></title><link>https://blog.youkuaiyun.com/lhxcc_fly/article/details/161417719</link><guid>https://blog.youkuaiyun.com/lhxcc_fly/article/details/161417719</guid><author>lhxcc_fly</author><pubDate>Tue, 26 May 2026 20:24:03 +0800</pubDate><description><![CDATA[传统的LLM调用返回的信息一般为字符串的文本形式，当我们想要让LLM仅返回我们想看到的信息我们就要自己设置结构化格式给LLM，让其返回我们所需的内容。在 LangChain 中，聊天模型提供了额外的功能：结构化输出。⼀种使聊天模型以结构化格式（例如 JSON）进⾏响应的技术。例如，可能希望将模型输出存储在数据库中，并确保输出符合数据库模式。这种需求激发了结构化输出的概念，其中可以指⽰模型使⽤特定的输出结构进⾏响应。]]></description><category></category></item><item><title><![CDATA[2.LangChain--聊天模型工具篇]]></title><link>https://blog.youkuaiyun.com/lhxcc_fly/article/details/161416949</link><guid>https://blog.youkuaiyun.com/lhxcc_fly/article/details/161416949</guid><author>lhxcc_fly</author><pubDate>Tue, 26 May 2026 11:28:04 +0800</pubDate><description><![CDATA[tooldef add (a:int, b:int)->int: #加法工具"""两数相加Args:a : 一个整数b : 另一个整数"""# 方式二class AddInput(BaseModel): #类中定义函数描述和参数描述"""两数相加"""a: int = Field(..., description="第一个整数")#...表示必填字段b: int = Field(..., description="第二个整数")@tooldef add(]]></description><category></category></item><item><title><![CDATA[2.LangChain--定义聊天模型]]></title><link>https://blog.youkuaiyun.com/lhxcc_fly/article/details/158322709</link><guid>https://blog.youkuaiyun.com/lhxcc_fly/article/details/158322709</guid><author>lhxcc_fly</author><pubDate>Tue, 24 Feb 2026 13:00:12 +0800</pubDate><description><![CDATA[该方式在初识篇中的定义模型中已经出现过，其是LangChain为OpenAI的聊天模型提供的具体实现类，但兼容OpenAI的模型也可使用（deepseek）init_chat_model是langchain自己封装的一个工厂函数，可以支持初始化多种模型LLM本身是封闭的知识系统，为解决直接计算、查询实时信息、操作数据库或调⽤任何外部 API等问题可以进行工具调用实现与外界交互@tooldef add(a : Annotated[int, ..., "第一个整数"], #...表示必填字段。]]></description><category></category></item><item><title><![CDATA[1.LangChain--安装篇]]></title><link>https://blog.youkuaiyun.com/lhxcc_fly/article/details/158292298</link><guid>https://blog.youkuaiyun.com/lhxcc_fly/article/details/158292298</guid><author>lhxcc_fly</author><pubDate>Sun, 22 Feb 2026 23:42:33 +0800</pubDate><description><![CDATA[如果使⽤的功能仅在该依赖项的特定版本中可⽤，则可以选择这样做。如果这样做，则应确保已安装或固定的版本与我们使⽤的任何其他集成包兼容。Anthropic）、各类组件集成（如数据存储、⼯具等）等，对于所需依赖项，我们需要单独安装。LangChain生态系统中所有包都依赖core，但其不用显示安装，由langchain自动安装，LangChain 的⼤部分价值来⾃于将各种能⼒进⾏集成，如各类模型集成（如 OpenAI 和。任何尚未拆分到⾃⼰的包中的集成，都存在于该包中。二、langchain-core包。]]></description><category></category></item></channel></rss>