Langchain集成Qwen模型避坑指南:从API申请到联网搜索的常见问题解决

使用Langchain+Qwen完成一次问答和联网搜索 关于Langchain的介绍已经有很多了,博主还未深入的了解学习,所以这里不做介绍。Langchain项目地址:https://github.com/langchain-ai/langchain。 阅读详情

Langchain与Qwen模型实战:从API密钥到联网搜索的深度避坑手册

最近在尝试将大模型能力整合进自己的应用时,Langchain无疑是一个绕不开的框架。它像一副精密的骨架,能将各种AI工具、数据源和逻辑串联起来。而通义千问(Qwen)作为国内顶尖的大模型之一,其强大的理解和生成能力,与Langchain的结合本应产生美妙的化学反应。然而,理想很丰满,现实却往往伴随着一堆令人头疼的“坑”——从API申请时令人迷惑的选项,到配置时一个参数引发的“血案”,再到实现联网搜索时工具链的无声崩溃。如果你也曾在深夜对着报错信息抓狂,那么这篇从实战中总结出的避坑指南,或许能为你点亮一盏灯。本文不打算复述基础的安装步骤,而是聚焦于那些官方文档可能一笔带过,却在实际开发中频频绊倒开发者的关键环节,旨在帮你把时间花在创造价值上,而非与配置搏斗。

1. 密钥申请与环境配置:那些容易忽略的细节

万事开头难,而Langchain与Qwen的“开头”,往往始于API密钥的获取与环境变量的设置。这一步看似简单,却埋着几个新手极易踩入的陷阱。

首先,获取Qwen模型的API密钥。目前主流途径是通过阿里云的百炼平台。这里的关键不在于点击“申请”按钮,而在于明确你所需的具体模型版本。百炼平台上的模型列表可能更新频繁,名称也略有差异,例如“qwen-max”、“qwen-plus”、“qwen-max-latest”等。一个常见的错误是,在代码中引用了qwen-max,但实际申请密钥时选择的却是另一个套餐或版本,导致鉴权失败。我的建议是,在平台创建API Key时,最好截图记录下当时选择的模型服务名称,并与后续代码中的model参数严格对应。

环境变量的设置是另一个重灾区。很多教程会告诉你在代码开头用os.environ[“DASHSCOPE_API_KEY”] = “your_key”。这没问题,但在生产环境或复杂的项目结构中,这种做法缺乏灵活性且不安全。更优的做法是使用.env文件配合python-dotenv库。

# 安装依赖
pip install python-dotenv

在你的项目根目录创建.env文件:

DASHSCOPE_API_KEY=sk-你的真实密钥
SERPAPI_API_KEY=你的Serpapi密钥(如需联网搜索)

然后在Python代码中这样加载:

from dotenv import load_dotenv
import os

load_dotenv()  # 加载 .env 文件中的所有变量

# 现在可以直接从环境变量中读取,代码中不出现明文密钥
api_key = os.getenv(“DASHSCOPE_API_KEY”)
if not api_key:
    raise ValueError(“请在 .env 文件中设置 DASHSCOPE_API_KEY”)

注意:务必将.env文件添加到.gitignore中,避免将密钥意外提交到版本控制系统。这是开发安全的基本要求。

关于Langchain的安装,另一个容易混淆的点是langchain与langchain-community包。简单来说:

  • langchain:核心框架,包含链(Chains)、代理(Agents)等核心抽象概念和基础实现。
  • langchain-community:社区维护的第三方集成包,包含了大量与各种工具、模型(如Qwen/Tongyi)、数据库等的连接器。

对于大多数应用,你需要同时安装两者:

pip install langchain langchain-community

有时为了使用最新的特性或修复某个bug,你可能需要从GitHub安装特定分支,但这会引入不稳定性,除非必要,建议优先使用PyPI上的稳定版本。

2. 模型初始化与调用:参数背后的“玄学”

成功配置环境后,初始化Qwen模型是第一步。langchain_community.llms.tongyi.Tongyi类是与Qwen对接的桥梁。初始化时,几个参数的选择直接影响了模型的行为和结果质量。

from langchain_community.llms.tongyi import Tongyi

llm = Tongyi(
    model=“qwen-max-latest”,  # 模型名称,必须与API Key授权一致
    temperature=0.3,           # 温度参数,控制随机性
    top_p=0.8,                 # 核采样参数,与temperature二选一
    api_key=os.getenv(“DASHSCOPE_API_KEY”), # 显式传入密钥,优先级高于环境变量
    streaming=True,            # 是否启用流式输出
)

model参数:这是最大的坑点之一。百炼平台上的模型名称和Tongyi类支持的model参数可能并非一一对应。例如,平台显示“通义千问-Max”,代码中可能需要用qwen-max或qwen-max-latest。最可靠的方法是查阅Langchain社区包中Tongyi集成的源代码,或者直接尝试调用,根据错误信息调整。如果遇到Invalid model之类的错误,首先排查这里。

temperature与top_p:这两个参数控制生成文本的创造性。

  • temperature(温度):值越高(如0.9),输出越随机、有创意;值越低(如0.1),输出越确定、保守。对于事实性问答,建议设置在0.1-0.3;对于创意写作,可以提高到0.7-0.9。
  • top_p(核采样):另一种控制随机性的方法,通常与temperature只选用一个。它从概率质量最高的token中采样,top_p=0.9意味着只考虑累积概率达到90%的那些token。

一个常见的误区是同时设置两者且值都较高,导致输出过于天马行空甚至不合逻辑。对于联网搜索这类需要准确信息提取的任务,建议将temperature设为较低值(如0.2)。

流式输出(streaming=True):当处理长文本生成时,启用流式输出可以提升用户体验,实现逐字打印的效果。但需要注意,启用streaming后,llm.invoke()的返回类型可能发生变化,通常是一个异步生成器或需要特殊处理的对象。如果你只是简单测试,可以先将其设为False。

调用方式上,除了简单的llm.invoke(“问题”),Langchain更强大的地方在于其链(Chain) 的构建。例如,创建一个简单的提示模板链:

from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain

prompt = PromptTemplate(
    input_variables=[“product”],
    template=“为以下科技产品写一句简洁的广告语:{product}”
)
chain = LLMChain(llm=llm, prompt=prompt)
result = chain.run(product=“可折叠智能手机”)
print(result)

这种方式将提示词模板化,便于复用和管理,是构建复杂应用的基础。

3. 实现联网搜索:代理(Agent)的配置与调试

让模型“联网”获取实时信息,是增强其能力的关键。在Langchain中,这通常通过代理(Agent) 来实现。代理可以理解用户意图,并自主选择和使用工具(如搜索工具、计算器)。然而,配置一个能稳定工作的搜索代理,可能是整个过程中最具挑战性的一环。

首先,你需要一个搜索API。SerpAPI(Google搜索API)是一个常见选择,但并非唯一。其他如Google Custom Search JSON API、Bing Search API等也可集成。这里以SerpAPI为例,讲解避坑要点。

第一步:获取并配置SerpAPI密钥。在SerpAPI官网注册后,你会获得一个API Key。和Qwen的密钥一样,建议将其放入.env文件。一个关键点是,SerpAPI有免费额度,但超出后会产生费用,且其免费套餐对搜索次数和频率有限制。在开发调试阶段,频繁调用可能迅速耗尽额度,导致后续调用失败,错误信息可能不直观,容易被误认为是代码问题。

第二步:初始化工具与代理。代码结构通常如下:

import os
from langchain.agents import load_tools, initialize_agent, AgentType
from langchain_community.llms.tongyi import Tongyi

# 假设密钥已通过load_dotenv()加载
llm = Tongyi(model=“qwen-max-latest”, temperature=0.2)

# 加载工具。注意:`serpapi`是工具名,`llm`参数在某些工具中用于其内部推理
tools = load_tools([“serpapi”], llm=llm)

# 初始化代理
agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, # 代理类型
    verbose=True,  # 设为True,打印详细推理过程,调试必备
    handle_parsing_errors=True, # 关键参数!处理解析错误
    max_iterations=5, # 限制最大迭代次数,防止死循环
    early_stopping_method=“generate” # 提前停止方法
)

这里有几个至关重要的参数和常见问题:

  1. AgentType的选择:ZERO_SHOT_REACT_DESCRIPTION是最通用的一种,它不依赖与工具的交互历史。对于简单的搜索任务足够。如果任务复杂,可能需要STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION等。选错类型可能导致代理无法正确规划步骤。

  2. handle_parsing_errors=True:这是最重要的一个避坑设置! 代理在运行过程中,需要将模型输出的自然语言解析成具体的工具调用指令。这个解析过程非常容易失败,尤其是当模型输出格式稍有偏差时。如果不设置此参数为True,解析失败会直接抛出异常,导致整个代理运行中断。设置为True后,框架会尝试自动修复或重试,极大提高了鲁棒性。

  3. verbose=True:在开发阶段,务必开启。它会打印出代理的完整“思考”过程,包括观察(Observation)、思考(Thought)、行动(Action)。这是调试的黄金信息。当你发现代理没有按预期调用搜索工具时,查看这些日志就能知道它“想”错了什么。

  4. max_iterations:防止代理陷入“思考-行动”的死循环。如果一个简单问题代理执行了超过5步还没结果,很可能逻辑已经混乱,需要中断。

第三步:运行与调试。运行一个查询:

try:
    result = agent.run(“2024年巴黎奥运会中国代表团获得了多少枚金牌?”)
    print(“最终答案:”, result)
except Exception as e:
    print(“代理运行出错:”, e)
    # 此时可以检查verbose输出的日志

常见的失败场景及排查思路:

问题现象可能原因排查步骤
代理直接给出猜测答案,未调用搜索1. 工具加载失败或未授权。
2. 代理类型不适合,或LLM的temperature太高导致决策不稳定。
3. 问题本身可能被模型认为已有知识。
1. 检查verbose日志,看是否识别到了可用工具。
2. 将temperature调低至0.1-0.3。
3. 换一个更明确的、需要实时信息的问题,如“现在纽约股市纳斯达克指数是多少?”。
报错InvalidTool或KeyError工具名称拼写错误,或该工具在当前Langchain版本中不可用。1. 检查load_tools([“serpapi”])中的工具名。
2. 查阅langchain-community文档,确认工具名。
报错解析错误(Parsing error)模型输出不符合代理预期的格式。1. 确保设置了handle_parsing_errors=True。
2. 查看verbose日志中出错前模型的输出,格式是否混乱。
搜索到了信息但答案不对1. 搜索关键词提取不准。
2. 模型从搜索结果中总结时出错。
1. 查看verbose日志中代理发送给搜索工具的具体查询词是什么。
2. 考虑在代理链前增加一个步骤,让模型先优化搜索Query。

有时,SerpAPI返回的结果结构复杂,模型难以直接提炼。你可以考虑自定义一个工具,对搜索结果进行预处理,例如只提取摘要或前几条结果的片段,再交给模型总结。

4. 进阶问题与性能优化

当你解决了基础配置和搜索问题后,可能会遇到更进阶的挑战,主要集中在性能、稳定性和成本控制上。

异步调用与超时控制:默认的同步调用在请求耗时较长时可能会阻塞整个应用。Langchain支持异步操作,可以显著提升并发性能。

import asyncio

async def async_ask(agent, question):
    try:
        # 注意:某些agent.run可能没有原生异步版本,需使用对应的异步方法或在线程中运行
        # 这里以直接调用llm的异步接口为例
        from langchain_community.llms.tongyi import Tongyi
        llm_async = Tongyi(model=“qwen-max”, streaming=False)
        result = await llm_async.ainvoke(question)
        return result
    except asyncio.TimeoutError:
        return “请求超时,请重试或简化您的问题。”

# 在实际的异步框架(如FastAPI)中调用

同时,务必为LLM调用和工具调用设置合理的超时(timeout)参数,避免一个慢响应拖死整个服务。这通常需要在初始化LLM或工具时传入相应的客户端配置。

错误处理与重试机制:网络波动、API限流、模型服务临时不可用等情况时有发生。一个健壮的应用需要完善的错误处理。

from tenacity import retry, stop_after_attempt, wait_exponential
from langchain.schema import OutputParserException

@retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=2, max=10))
def robust_agent_query(agent, query):
    """一个带有重试机制的代理查询函数"""
    try:
        return agent.run(query)
    except OutputParserException as e:
        print(f“解析输出失败:{e}。尝试简化问题或更换代理类型。”)
        # 可以在这里尝试一种备选方案,例如直接调用LLM而不使用代理
        return llm.invoke(f“请直接回答:{query}”)
    except Exception as e:
        print(f“查询过程中发生未知错误:{e}”)
        raise  # 重试装饰器会捕获异常并重试

这里使用了tenacity库来实现指数退避重试,对于应对临时性网络故障非常有效。

成本控制与监控:无论是Qwen的API还是SerpAPI的搜索,都可能产生费用。你需要:

  • 在云服务商的控制台设置预算告警。
  • 在代码层面实现简单的调用计数和费用估算(如果知道单价)。
  • 对于搜索代理,可以通过max_iterations严格限制其步骤,避免为复杂问题无休止地调用昂贵工具。
  • 考虑对常见问题或静态知识建立本地缓存(如使用langchain.cache),减少对实时API的调用。

提示工程(Prompt Engineering)优化:代理的表现很大程度上受其内部提示词的影响。虽然Langchain内置的代理提示词已经过优化,但在特定领域,微调提示词能显著提升效果。例如,你可以自定义一个代理,为其提供更明确的指令:

from langchain.agents import Tool, AgentExecutor
from langchain.agents.mrkl.base import ZeroShotAgent
from langchain.prompts import PromptTemplate

# 自定义提示词模板,强调必须使用搜索工具获取实时信息
PREFIX = “““你是一个有帮助的助手,可以访问网络搜索工具来获取最新信息。
对于任何涉及当前事件、实时数据、最新新闻或你不知道确切答案的问题,你必须使用搜索工具。
在给出最终答案前,请先进行搜索。
如果你已经通过搜索获得了信息,请在答案中注明信息来源于网络。”””

prompt = ZeroShotAgent.create_prompt(
    tools,
    prefix=PREFIX,
    suffix=“”,
    input_variables=[“input”, “agent_scratchpad”]
)

agent = ZeroShotAgent(llm_chain=LLMChain(llm=llm, prompt=prompt), tools=tools)
agent_executor = AgentExecutor.from_agent_and_tools(agent=agent, tools=tools, verbose=True, handle_parsing_errors=True)

通过这样强化的提示词,可以降低代理“偷懒”直接猜测的概率。

记忆(Memory)的集成:对于多轮对话场景,代理需要记住之前的交互历史。Langchain提供了多种记忆组件,如ConversationBufferMemory。将其集成到代理中,可以让对话更具连贯性。

from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory(memory_key=“chat_history”, return_messages=True)
agent_executor = AgentExecutor.from_agent_and_tools(
    agent=agent,
    tools=tools,
    memory=memory,
    verbose=True
)
# 现在agent_executor.run会在对话中保留上下文

集成记忆后,代理能基于历史对话进行更精准的搜索和回答,但也要注意上下文长度限制和可能增加的token消耗。

走到这一步,你已经跨越了从简单调用到构建一个具备实时信息获取能力的智能助手的主要障碍。每个坑点背后,其实都是对Langchain设计哲学和组件交互更深一层的理解。记住,遇到报错时,verbose=True是你的第一道光,仔细阅读日志;善用handle_parsing_errors等容错参数;对于复杂任务,不妨将其拆解,先用简单的链测试每个环节,再组合成代理。技术栈的整合从来都不是一帆风顺的,但每一次解决问题的过程,都让手中的工具变得更加得心应手。

Langchain+Qwen实战:5分钟搞定智能问答与联网搜索(附完整代码) 本文详细介绍了如何利用LangChain框架与阿里云Qwen大模型快速构建智能问答与联网搜索系统。通过环境配置、API对接和代码优化等实战步骤,开发者可在5分钟内实现高效问答与实时搜索功能,特别适合中高级Python开发者。文章包含完整代码示例,帮助读者快速掌握LangChain+Qwen的集成应用。 阅读详情

相关推荐

Langchain与Qwen结合:实现智能问答与实时网络搜索的实践指南

本文提供了一份详细的实践指南,介绍如何将Langchain框架与通义千问(Qwen)大模型结合,构建具备联网搜索能力的智能问答应用。通过分步讲解环境配置、API密钥申请、基础对话实现,并重点演示了利用Langchain Agent集成联网搜索工具(如SerpAPI)的核心方法,赋予AI模型实时信息获取与处理能力,从而打造功能强大的智能助手。

weixin_29223603的博客 317

无限可能LangChain——构建聊天机器人

首先,让我们定义一个函数来修改传入的消息。这个session_id用于区分不同的对话,并应该作为调用新链条时的配置的一部分传递进去(我们将展示如何做到这一点)。我们可以使用一个消息历史类来封装我们的模型,使其具有状态。请注意,这稍微改变了输入类型-我们不再传递一个消息列表,而是传递一个字典,其中包含一个名为messages的键,其值是一个消息列表。之后,我们可以导入相关的类并设置我们的链,它将包装模型并添加这个消息历史记录。如果我们创建一个超过10条消息的消息列表,我们可以看到它不再记得早期消息中的信息。

JackWu1024 1728

Langchain与Qwen结合:如何用Python构建一个智能问答机器人(含联网搜索功能)

本文详细介绍了如何利用Langchain框架和Qwen大语言模型构建一个具备联网搜索功能的智能问答机器人。通过Python实现,开发者可以轻松集成自然语言处理能力,处理复杂查询并获取实时信息,适用于客服系统、知识库问答等多种场景。文章包含环境配置、模型接入、记忆功能实现及联网搜索等关键步骤的完整指南。

weixin_30300225的博客 490

【AI学习笔记】LangChain使用通义千问构建LLM应用

LangChain 是一个用于开发由大型语言模型 (LLMs) 驱动的应用程序的框架。它简化了应用程序的开发流程,通过LangChain我们可以调用各个LLM大模型构建我们的应用。

Q2024107的博客 1058

基于Langchain与Qwen构建智能问答与实时搜索系统

本文详细介绍了如何利用Langchain框架与Qwen大语言模型,结合联网搜索工具,构建一个能够理解复杂问题并自动获取实时信息的智能问答系统。该系统通过Agent模式自动判断并执行搜索,整合最新网络信息生成准确答案,有效解决了大模型知识滞后的问题,可应用于智能客服、信息助手等场景。

weixin_29227425的博客 288

从零构建大模型应用:云端API调用、LangChain实战与本地Ollama部署指南

大语言模型(LLM)作为当前人工智能的核心技术,通过其强大的自然语言理解和生成能力,正在深刻改变软件开发的范式。其工作原理基于Transformer架构,通过海量数据预训练获得通用知识,再通过提示词工程(Prompt Engineering)进行任务适配。这项技术的核心价值在于,它极大地降低了开发者构建智能应用的门槛,使得非专家也能快速集成对话、创作、分析等高级AI功能。典型的应用场景包括智能客服、内容生成、代码辅助和数据分析助手等。本文聚焦于大模型应用开发的工程实践,详细介绍了如何从调用云端API(如Op

weixin_33901926的博客 491

LangChain实战:5分钟用Tongyi大模型打造一个能记住对话的天气查询助手

本文详细介绍了如何使用LangChain框架和Tongyi大模型快速构建一个能记住对话历史的智能天气查询助手。通过整合实时查询天气API和对话记忆功能,开发者可在5分钟内实现多轮对话交互,适用于各类AI助手开发场景。

emacs5lisp的博客 1302

百度千帆平台实战:为AI大模型集成联网搜索能力,构建实时信息助手

大语言模型(LLM)的知识受限于其训练数据,存在时效性瓶颈。为解决此问题,检索增强生成(RAG)技术应运而生,其核心原理是通过外部知识库检索实时信息,与大模型的生成能力结合,从而输出准确、最新的回答。这项技术极大地提升了AI应用在客服、数据分析、内容创作等场景中的实用价值。百度千帆平台将大模型推理与联网搜索能力封装为统一的API服务,为开发者提供了开箱即用的解决方案。本文以百度千帆平台为例,详细解析了如何通过其API,快速为AI助手集成联网搜索功能,涵盖从API密钥获取、代码实战到高级配置的全流程,帮助开发

weixin_34321753的博客 471

LangChain框架(一)---- 模型调用

本文介绍了LangChain框架及其应用。LangChain是2022年推出的围绕大语言模型(LLMs)的通用接口框架,支持LLMs、聊天模型和文本嵌入模型三种类型。文章详细展示了如何安装LangChain及其相关组件,并通过代码示例演示了调用通义千问等云端模型和Ollama本地模型的方法。重点介绍了流式输出实现、聊天消息类型处理以及文本嵌入模型的使用,包括embed_query和embed_documents两种向量化方法。这些示例展示了LangChain简化LLM应用开发的核心理念,为开发者提供了快速构

Wanggj的博客 751

开源模型应用落地-LangChain高阶-QWen1.5-外部实时数据

通过LangChain调用外部心知天气API,并将结果返回给QWen1.5模型进行加工处理

以微薄之力,予他人些许温暖. 1万+

高通QCOM Camera Pipeline 可视化工具:从XML到交互式图谱的工程实践

本文详细介绍了高通QCOM Camera Pipeline可视化工具的工程实践,旨在解决Camera驱动与算法工程师在解析复杂XML配置文件时的痛点。该工具能将静态的XML文件(如g_camx_usecase.xml)自动转换为交互式视觉图谱,通过分层布局算法清晰展示Pipeline、Node、Port和Link的拓扑关系,并支持悬停查看、拖动缩放等交互操作,极大提升了开发调试与架构理解的效率。

prometheus5watch的博客 555

LangChain结合通义千问的自建知识库

在使用了通义千问API了之后,下一步就是构建知识库文档,使用了比较有名的LangChian,最后成果将自己的txt生成了知识向量库,最后我还把自己的论文生成了一个知识向量库,然后问他我的创新点是啥,实话实说比我总结的好,我想这下回老师要是看不懂我论文的时候能不能直接,嗯,对吧,反正也是工作中用到还挺有意思的,能分享的部分我都分享出来了,然后这个是接着通专栏的第一篇的延申文档。

一个学长的博客 1万+

DS18B20温度传感器项目实战:从驱动编写到LCD显示,打造你的第一个温控系统

本文详细介绍了如何使用DS18B20温度传感器和LCD1602显示屏构建一个完整的温控系统。从硬件连接、OneWire协议实现到温度数据采集与LCD显示,全面解析了系统整合与工程化实现的关键步骤,帮助开发者快速掌握嵌入式温度监测系统的开发技巧。

weixin_42525328的博客 350

Langchain与Qwen结合实践:从问答到联网搜索的完整流程

本文详细介绍了如何将Langchain框架与Qwen大语言模型结合,构建一个从基础问答到具备联网搜索功能的智能助手。内容涵盖环境搭建、API密钥配置、模型调用以及通过代理集成SerpAPI实现实时信息查询的完整流程,并提供了实战代码示例和调试技巧。

s4t5u6v的博客 751

Vcenter虚拟机磁盘转换实战:如何用StarWind V2V将vmdk转为qcow2(附空间优化技巧)

本文详细介绍了如何使用StarWind V2V Converter将Vcenter中的vmdk虚拟机磁盘高效转换为qcow2格式,并提供了空间优化技巧。从准备工作、导出vmdk文件到转换过程中的性能调优,帮助管理员在迁移虚拟机时减少资源消耗,确保数据完整性和性能。

dell8的博客 204

Unity Spine动画控制全攻略:播放、回调与停止的实战技巧

本文深入解析Unity中Spine动画的核心控制技巧,涵盖动画播放、轨道分层、事件回调与平滑停止等实战方法。通过封装SpineAnimationController,详细讲解了如何利用动画播放结束回调实现精准的游戏逻辑同步,并提供了避免内存泄漏和动画卡顿的避坑指南,助力开发者打造流畅专业的2D游戏动画系统。

weixin_29021291的博客 381

SpringBoot 整合LangChain4j 集成 Tavily 实现联网搜索,如何获取Tavily API_KEY(一篇文章解决AI联网搜索全部问题)

本文介绍了如何通过LangChain4j集成Tavily API实现联网搜索功能。主要内容包括:1)获取Tavily API密钥的步骤;2)项目配置方法,通过YAML文件设置API参数和搜索结果数量限制;3)创建WebSearchConfig类管理搜索配置;4)实现ContentRetriever接口进行内容检索;5)构建WebSearchAgent代理服务,结合@AiService注解完成联网搜索功能。文章提供了完整的代码示例和配置说明,帮助开发者快速集成网络搜索能力到LangChain4j项目中。

2301_80100192的博客 3049

【YOLO11改进 - C3k2融合】C3k2融合DWRSeg二次创新C3k2_DWR:扩张式残差分割网络,提高特征提取效率和多尺度信息获取能力,助力小目标检测

【YOLO11改进 - C3k2融合】C3k2DWRSeg二次创新C3k2_DWR:扩张式残差分割网络,提高特征提取效率和多尺度信息获取能力,助力小目标检测

专注于图像领域,主要研究内容包括计算机视觉和深度学习,特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。 1059

langchain 接入国内搜索api——百度AI搜索

在学习LangChain过程中,使用Search API时发现官方文档主要推荐国外工具如Google Search或Bing Search,但这些工具不仅收费,且连接不稳定。经过探索,发现国内两家提供Search API的服务:博查和百度AI搜索。博查为收费服务,而百度AI搜索每日提供100次免费调用,更适合个人学习。百度AI搜索支持多种调用方式,包括POST请求、OpenAI SDK和CursorMCP组件。

hzp的专栏 5971

【零基础入门unity游戏开发——unity通用篇30】Resources资源加载(基于unity6开发介绍)

Resources资源加载(基于unity6开发介绍)

向宇的博客,专注php/web全栈 unity游戏开发,欢迎大家评论纠错 4119

竞赛经验——挑战杯、互联网加、北斗杯、微软创新杯、计算机设计等比赛教训与经验

最近参加一些比赛,北斗杯、挑战者杯、微软创新杯等比赛,每次比赛都有不少需要总结的地方,特别是项目展示上技巧很多,总结一下。 首先最重要的是作品自身硬!自身的作品完成度不高,或者是没有创新点,就没必要参加了。 比如是出去比赛的话,我反正每次碰到最多的是智慧农场、智慧家居之类,不知道为啥这种的太多了。如果是创业型比赛,评委基本会问小米已经做得很好了很便宜了,你的优势在哪里?这些都是常见的问题提前要...

沉迷单车的追风少年 7330

Langchain中使用Ollama提供的Qwen大模型进行Function Call实现天气查询、网络搜索

Function Call,或者叫函数调用、工具调用,是大语言模型中比较重要的一项能力,对于扩展大语言模型的能力,或者构建AI Agent,至关重要。

python1234567_的博客 5310

YOLOv9电力巡检实战:绝缘子破裂/鸟巢识别+无人机自动定位

摘要:本文聚焦电力输电线路巡检的效率与安全痛点,提出基于YOLOv9与无人机的智能巡检解决方案。针对绝缘子破裂、鸟巢等高危缺陷,通过“无人机改装-模型训练-缺陷识别-工单生成”四阶段工程落地流程,实现全自动化巡检。系统采用大疆M300无人机搭载RTK模块与Jetson边缘计算盒,结合改进YOLOv9模型实时识别5类缺陷,通过4G传输将GPS定位与缺陷数据同步至工单系统。实测表明,该方案巡检效率达50公里/天(较人工提升10倍),缺陷发现率95%(提升40%),事故预防率98%。

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 1514

LangChain连接三大模型(Ollama/DeepSeek/Qwen)

文章详细介绍了如何使用LangChain连接三种AI模型:本地Ollama、云端DeepSeek和阿里Qwen。提供了完整项目结构、API密钥配置、模型初始化和调用代码,特别强调了Ollama离线运行优势及Qwen的thinking功能控制。适合LangChain初学者快速上手不同模型连接。

Trb701012的博客 1462

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

用 LangChain V1.0 框架连接 Ollama、DeepSeek 和 Qwen 模型

刚玩 Langchain 的第一个需求是, 如何连接模型。下面, 基于我最喜欢的三种模型, 和大家分享下连接方式: Ollama、云端的 DeepSeek、还有阿里的 Qwen 通义千问。

huang9604的博客 944

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

上一篇: 手把手教你用Simulink搭建EPS电动助力转向模型(附完整公式推导)
下一篇: RuoYi-Vue-Plus 5.X项目实战:Docker本地环境搭建与Redis、PG数据库一键部署指南
普通网友
博客等级 码龄27年 205粉丝 1502原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值