- 博客(16)
- 收藏
- 关注
RSS订阅原创 LangChain 和 LangGraph 的区别：核心原理与使用场景
本文介绍 LangChain 与 LangGraph 的核心区别，分别讲解两者的定位、主要组件及适用场景，并重点分析 LangGraph 中 State、Node、Edge、Checkpointer 等概念。通过智能运维 Agent 案例，展示 LangChain 与 LangGraph 如何配合实现 RAG 检索、工具调用、状态管理和复杂工作流编排，帮助开发者快速理解两者的关系与实际应用。
2026-10-10 15:50:18
240
原创 开源一个 AI 面试官 Skill：专练 RAG、Agent、LangChain、LangGraph，支持项目追问
开源一个面向 AI 应用算法工程师的技术面试 Skill，支持 RAG、Agent、LangChain、LangGraph、Transformer、BERT 等方向。它会根据你的回答动态追问，并支持加载自己的 Markdown 项目知识库，更适合做真实项目深挖和技术面试训练。
2026-09-26 11:50:18
200
原创 A2A 多智能体实战：Weather Agent 与 Ticket Agent 协作
本文通过旅行助手场景介绍 A2A 多智能体协作的实现思路，设计 Router Agent、Weather Agent 和 Ticket Agent，并演示单意图与 Multi Intents 多意图任务的路由和执行流程。同时介绍 A2A 与 MCP 的组合架构，帮助理解多个独立 Agent 在真实项目中如何分工协作。
2026-09-17 15:53:40
132
原创 A2A 协议详解：让不同 AI Agent 之间实现协作
本文介绍 A2A（Agent2Agent）协议的基本原理，从多智能体协作场景出发，讲解 AgentSkill、AgentCard、Task、TaskState、TaskStatus、Artifact、A2A Server 等核心概念，并梳理 A2A 与 Agent、MCP 之间的关系，帮助理解不同 AI Agent 如何发现能力、分配任务并完成协作。
2026-09-17 15:52:35
97
原创 Agent 智能体详解：从普通 LLM 到五种核心 Agent 模式
本文介绍 AI Agent 智能体的基本概念，对比 Agent 与普通 LLM 的区别，并讲解 Agentic 的含义以及 Tool Use、ReAct、Reflection、Planning、Multi-Agent 五种常见智能体模式。同时梳理 Agent 与 LLM、RAG、Tool、MCP 之间的关系，为后续 Agent 代码开发打下基础。
2026-09-16 18:21:29
205
原创 Agent 五种模式代码实战
本文通过代码和流程示例介绍 Tool Use、ReAct、Reflection、Planning 和 Multi-Agent 五种常见 Agent Pattern 的实现思路，并分析不同模式适合的应用场景以及多种模式组合使用的方法，帮助开发者从 Agent 理论进一步过渡到实际智能体开发。
2026-09-16 18:20:52
75
原创 MCP 协议详解：从基本原理到通信方式
本文介绍 MCP（Model Context Protocol，模型上下文协议）的基本原理与核心架构，从传统 AI 工具调用存在的问题出发，讲解 MCP Host、Client、Server、Tools、Resources 等核心概念，并介绍 stdio、SSE、Streamable HTTP 等通信方式以及 MCP 与 Function Calling、Agent 之间的关系，为后续开发 MCP Server 和 MCP Client 打下基础。
2026-09-14 14:34:31
363
原创 LangChain Function Call 详解
本文介绍 LangChain 中 Function Calling / Tool Calling 的基本原理，并通过 BaseTool、@tool 装饰器以及 Pydantic Schema 三种方式演示如何定义工具。同时介绍 bind_tools()、tool_calls 以及 Tool Description 的作用，为后续学习 Agent 和 LangGraph 打下基础。
2026-09-14 12:02:16
75
原创 RAG 文档切分详解：Chunk、Chunk Size 与 Chunk Overlap
本文介绍 RAG 中的文档切分机制，重点讲解 Chunk、Chunk Size、Chunk Overlap 三个核心概念，以及 LangChain 中 RecursiveCharacterTextSplitter 的基本使用方式。同时分析不同切分大小对 RAG 检索效果的影响，为后续 Embedding 和向量检索打下基础。
2026-09-13 17:44:52
96
原创 RAG 检索增强生成详解：从原理到完整工作流程
本文从基础概念出发介绍 RAG（检索增强生成）的核心原理与完整工作流程，详细梳理 Document、Chunk、Text Splitter、Embedding、Vector Store、Retriever、Top-K、Metadata 和 Prompt 等关键概念，并分别分析知识入库与用户问答流程。同时介绍 RAG 在企业知识库中的应用、常见问题以及后续优化方向，帮助初学者建立完整的 RAG 技术体系
2026-09-13 15:22:22
139
原创 LangChain 基础知识
本文系统介绍 LangChain 的基础知识，包括 LLM、Prompt、LCEL、Document Loader、Text Splitter、Embedding、Vector Store、Retriever、RAG、Tool 和 Agent 等核心概念，同时补充 Runnable、聊天历史、流式输出、Metadata、相似度搜索以及 LangGraph 等内容。通过完整的 RAG 工作流程和简单示例，帮助初学者快速理解 LangChain 的整体架构，为后续开发企业知识库、智能问答和 AI Agent 项
2026-09-10 20:28:33
211
原创 LangChain 基础知识详解：从核心概念到 RAG 与 Agent 入门
本文介绍了 LangChain 的基础知识与核心组件，包括 LLM、Prompt、LCEL、Document Loader、Text Splitter、Embedding、Vector Store、Retriever、Tool 和 Agent，并重点梳理了 RAG 的完整工作流程。通过本文可以快速理解 LangChain、RAG 与大模型之间的关系，以及如何利用 LangChain 构建企业知识库问答和智能 Agent 应用。
2026-09-10 09:20:47
80
原创 Reranker（重排器）
向量检索负责“快”，Reranker 负责“准”。本文深入讲解 RAG 系统中的重排器（Reranker）技术，从 Bi-Encoder 和 Cross-Encoder 两种模型架构入手，对比它们的原理、优缺点和适用场景，并附上完整的代码示例和中文模型选型建议。适合 RAG 入门者和 AI 检索系统开发者阅读。
2026-08-29 22:02:10
389
原创 Embedding 模型
Embedding（嵌入）是将文本、图片、音频等非结构化数据转换为固定长度数值向量的核心技术。本文从零讲解 Embedding 的基本概念、为什么需要它，并深入解析余弦相似度、欧几里得距离、内积三种向量相似度计算方法，附代码示例。适合 RAG 入门和 AI 检索系统初学者。
2026-08-29 20:38:15
210
原创 NodeJS的安装及环境配置
前言：最近换了一个电脑，因为要使用到NodeJS，我将我自己的安装步骤分享给大家 一、NodeJS下载 1.下载安装包 下载地址：https://nodejs.org/en/download/
2021-12-18 14:57:56
13474
3
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人