AI大模型应用实战:如何用langchain打造自己的AI工作流

Ollama 可以在 Windows 上运行了 阅读详情
AI摘要

本文介绍了LangChain框架,它可构建基于大语言模型的智能应用。还阐述了AI工作流,能自动处理固定流程事务。通过示例展示用LangChain写工作流的步骤,包括定义数据结构、构建工作流等,同时提及异常处理。此外,分享了大模型学习资料,助小白入门。

什么是 LangChain?

LangChain 是一个功能强大的 AI 框架,专门用于构建基于大语言模型(LLM)的智能应用。它不仅提供了基础的 LLM 调用接口,还通过 Prompt 模板、记忆(Memory)、智能代理(Agents)、知识检索(Retrieval)等模块,让 AI 具备更强的推理、搜索、执行任务的能力

  • 官网:https://www.langchain.com
  • git:https://github.com/langchain-ai/langchain

什么是AI工作流

工作流,是由各种类型的节点和边组成一个类似流程图的东西。AI工作流,就是融合了AI能力的工作流,例如有些节点就是一个AI大模型。像coze的工作流

img

工作流可以做什么

有些工作他是有固定流程的,例如hr筛选招聘简历,可能你的输入是一个压缩包,第一步你需要加压压缩包,第二步你需要一个个简历过一遍,然后记录是否符合要求,最后再整理符合要求的简历,给到部门负责人进行第2轮的筛选。这些不管谁做,什么时候做,都有固定的流程步骤,这类的事情,我们就可以做成一个工作流,让他自动的做这些事情。工作流其实并不是什么新事物,是很早就有的概念,也有相关应用,但在AI时代,升级成AI工作流后,工作流就变得异常强大,可以胜任更多以前做不了的事情。

今天就教你不用coze,怎么用langchain写一个工作流

举例

下面这个例子是演示如何根据输入,判断这个输入是属于什么级别的事情,分支节点有:

  • 普通事情
  • 重要事情
  • 重要紧急事情
  • 紧急事情

1.首先定义数据结构

我们需要定义一个贯彻整个流程输入输出的数据结构

// 定义状态注解
const StateAnnotation = Annotation.Root({
  input: Annotation<string>,
  decision: Annotation<string>,
  output: Annotation<string>,
});

2.定义和实现各类节点

// 开始节点:接收输入并进行初步处理
asyncfunction startNode(state: typeof StateAnnotation.State) {
console.log("Executing startNode");
// 假设这里对输入进行了一些初步处理
return { ...state }; // 直接返回状态,不做修改
}

// 路由节点:根据输入文本决定后续路径
asyncfunction router(state: typeof StateAnnotation.State) {
console.log("Executing router");
const { input } = state;
let decision = "handleDefault"; // 默认路径

// 模拟异步操作,延时 1 秒
await sleep(1000);

if (input.includes("urgent") && input.includes("important")) {
    decision = "handleBoth";
  } elseif (input.includes("urgent")) {
    decision = "handleUrgent";
  } elseif (input.includes("important")) {
    decision = "handleImportant";
  }

return { ...state, decision };
}

// 处理紧急任务
asyncfunction handleUrgent(state: typeof StateAnnotation.State) {
console.log("Executing handleUrgent");
return { output: "Urgent task handled" };
}

// 处理重要任务
asyncfunction handleImportant(state: typeof StateAnnotation.State) {
console.log("Executing handleImportant");
return { output: "Important task handled" };
}

// 处理紧急且重要的任务
asyncfunction handleBoth(state: typeof StateAnnotation.State) {
console.log("Executing handleBoth");
return { output: "Both urgent and important tasks handled" };
}

// 处理默认任务
asyncfunction handleDefault(state: typeof StateAnnotation.State) {
console.log("Executing handleDefault",state);
return { output: "Default task handled" };
}

3.构建工作流

其实就是定义节点名字,和连线

// 构建工作流
const workflow = new StateGraph(StateAnnotation)
  .addNode("startNode", startNode)
  .addNode("router", router)
  .addNode("handleUrgent", handleUrgent)
  .addNode("handleImportant", handleImportant)
  .addNode("handleBoth", handleBoth)
  .addNode("handleDefault", handleDefault)
  .addEdge("__start__", "startNode") // 开始节点不是路由节点
  .addEdge("startNode", "router") // 从开始节点到路由节点
  .addConditionalEdges(
    "router",
    (state) => state.decision, // 条件函数:根据 decision 字段决定后续路径
    ["handleUrgent", "handleImportant", "handleBoth", "handleDefault"]
  )
  .compile();

重点说明

  • addNode 定义流程里面的节点
  • addEdge 流程里面的连线
  • addConditionalEdges 条件节点需要采用条件连线,即分支

4.测试

const inputs = [
  "This is an urgent task",
  "This is an important task",
  "This is both urgent and important",
  "This is a regular task"
];

5.输出结果

img

6.工作流异常处理

1.超时处理工作流的节点可能出现很长时间都没有答复,这个时候我们需要给这个流程配置个超时时间,不能让流程一直卡着。

 const result = await workflow.invoke({ input: "This is an urgent task" }, { timeout: 10000 }); // 设置全局超时时间(整个流程,非单个节点)

2.异常处理工作流执行过程可能出现节点执行异常,包括上述的超时也算异常,异常的处理方式跟普通的代码一样。

(async () => {
 try {
   const result = await workflow.invoke({ input: "This is an urgent task" }, { timeout: 3000 }); // 设置全局超时时间
   console.log(`Output: ${result.output}`);
 } catch (error) {
   console.error(`Workflow failed: ${error.message}`,error);
 }
})();

7.完整代码

import { StateGraph, Annotation } from"@langchain/langgraph";

// 封装 sleep 函数
function sleep(ms: number): Promise<void> {
returnnewPromise((resolve) => setTimeout(resolve, ms));
}

// 定义状态注解
const StateAnnotation = Annotation.Root({
input: Annotation<string>,
decision: Annotation<string>,
output: Annotation<string>,
});

// 开始节点:接收输入并进行初步处理
asyncfunction startNode(state: typeof StateAnnotation.State) {
console.log("Executing startNode");
// 假设这里对输入进行了一些初步处理
return { ...state }; // 直接返回状态,不做修改
}

// 路由节点:根据输入文本决定后续路径
asyncfunction router(state: typeof StateAnnotation.State) {
console.log("Executing router");
const { input } = state;
let decision = "handleDefault"; // 默认路径

// 模拟异步操作,延时 1 秒
await sleep(1000);

if (input.includes("urgent") && input.includes("important")) {
    decision = "handleBoth";
  } elseif (input.includes("urgent")) {
    decision = "handleUrgent";
  } elseif (input.includes("important")) {
    decision = "handleImportant";
  }

return { ...state, decision };
}

// 处理紧急任务
asyncfunction handleUrgent(state: typeof StateAnnotation.State) {
console.log("Executing handleUrgent");
return { output: "Urgent task handled" };
}

// 处理重要任务
asyncfunction handleImportant(state: typeof StateAnnotation.State) {
console.log("Executing handleImportant");
return { output: "Important task handled" };
}

// 处理紧急且重要的任务
asyncfunction handleBoth(state: typeof StateAnnotation.State) {
console.log("Executing handleBoth");
return { output: "Both urgent and important tasks handled" };
}

// 处理默认任务
asyncfunction handleDefault(state: typeof StateAnnotation.State) {
console.log("Executing handleDefault",state);
return { output: "Default task handled" };
}

// 构建工作流
const workflow = new StateGraph(StateAnnotation)
  .addNode("startNode", startNode)
  .addNode("router", router)
  .addNode("handleUrgent", handleUrgent)
  .addNode("handleImportant", handleImportant)
  .addNode("handleBoth", handleBoth)
  .addNode("handleDefault", handleDefault)
  .addEdge("__start__", "startNode") // 开始节点不是路由节点
  .addEdge("startNode", "router") // 从开始节点到路由节点
  .addConditionalEdges(
    "router",
    (state) => state.decision, // 条件函数:根据 decision 字段决定后续路径
    ["handleUrgent", "handleImportant", "handleBoth", "handleDefault"]
  )
  .compile();

// 测试工作流
const inputs = [
"This is an urgent task",
"This is an important task",
"This is both urgent and important",
"This is a regular task"
];

for (const input of inputs) {
console.log(`\nProcessing input: ${input}`);
const result = await workflow.invoke({ input });
console.log(`Output: ${result.output}`);
}

结语

看到这里,大家不知道会不会觉得,工作流是不是把普通简单的事情复杂化了?例如同样的事情,如果不采用工作流的做法,自己写个代码更简单,更快就能完成。确实是这样。但相信你写的代码肯定是把工作流里面的流程写在某个函数里面,这样的代码相比工作流,灵活性就要差很多,例如我们想做一个跟coze一样可以随意变化的工作流,就需要将流程的搭建过程抽象出来,支持动态关联。

如何零基础入门 / 学习AI大模型?

大模型时代,火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业?”“谁的饭碗又将不保了?”等问题热议不断。

不如成为「掌握AI工具的技术人」,毕竟AI时代,谁先尝试,谁就能占得先机!

想正式转到一些新兴的 AI 行业,不仅需要系统的学习AI大模型。同时也要跟已有的技能结合,辅助编程提效,或上手实操应用,增加自己的职场竞争力。

但是LLM相关的内容很多,现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学,学习成本和门槛很高

那么我作为一名热心肠的互联网老兵,我意识到有很多经验和知识值得分享给大家,希望可以帮助到更多学习大模型的人!至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

👉 福利来袭优快云大礼包:《2025最全AI大模型学习资源包》免费分享,安全可点 👈

全套AGI大模型学习大纲+路线

AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!

read-normal-img

640套AI大模型报告合集

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

👉学会后的收获:👈
• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;

• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;

• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;

• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。

👉 福利来袭优快云大礼包:《2025最全AI大模型学习资源包》免费分享,安全可点 👈

img

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

作为普通人,入局大模型时代需要持续学习和实践,不断提高自己的技能和认知水平,同时也需要有责任感和伦理意识,为人工智能的健康发展贡献力量。

DeepSeek本地部署详细指南 通过上述步骤,你可以在本地成功部署DeepSeek模型,并通过Ollama或Open Web UI与模型进行交互。本地部署不仅能够保护数据隐私,还能根据需求灵活调整模型参数,满足不同场景下的使用需求。如果你在部署过程中遇到任何问题,可以在评论区留言,我们将一起解决。希望这篇教程能帮助你顺利部署DeepSeek模型,开启高效开发的新旅程! 阅读详情

相关推荐

LangChain实战(一):开篇 - 大模型应用开发的新范式

LangChain是一个用于开发由语言模型驱动的应用程序的框架。它不仅仅是一个库,更是一个完整的生态系统,允许开发者将LLM与外部数据源和计算资源连接起来,构建真正强大且实用的应用。简单来说,LangChain是大模型应用的"操作系统",它提供了一套标准化的接口和组件,让开发者能够像搭积木一样构建复杂的LLM应用。性能优化与生产环境最佳实践终篇 - 总结与展望LangChain的出现彻底改变了大模型应用的开发方式,它让开发者能够专注于业务逻辑而不是基础设施。

厚积薄发的博客 995

一文彻底整明白,基于Ollama工具的LLM大语言模型Web可视化对话机器人部署指南

在上一篇博文中,我们在本地部署了**Llama 3 8B**参数大模型,并用 Python 写了一个控制台对话客户端,基本能愉快的与 Llama 大模型对话聊天了。但控制台总归太技术化,体验不是很友好,我们希望能有个类似 ChatGPT 那样的 Web 聊天对话界面,本博文就安排起来……

老牛啊 1万+

用LangFuse+LangChain打造可观测的AI应用:从埋点到成本监控实战

本文详细介绍了如何将开源可观测性平台LangFuse深度集成到基于LangChain构建的AI应用中,特别是电商客服机器人场景。通过从基础SDK集成、提示词管理到成本监控的完整实战,帮助开发者实现对LLM应用内部工作流的清晰追踪、问题排查与费用分析,从而打造稳定、可控的生产级AI应用。

dapp9builder的博客 711

使用ollama在本地部署llama3-8b大模型

使用ollama在本地部署llama3-8b大模型

weixin_39945822的博客 1万+

LLM的MCP协议:初识MCP,搭建第一个MCP Server

MCP(Model Context Protocol),是一个开发的协议,标准化了应用程序如何为大模型提供上下文。MCP提供了一个标准的为LLM提供数据、工具的方式,使用MCP会更容易的构建Agent或者是基于LLM的复杂工作流。

Criss@陈磊 2万+

【大模型】SpringBoot整合LangChain4j实现RAG检索实战详解

SpringBoot整合LangChain4j实现RAG检索实战详解

congge 1万+

LangChain实战入门(四):融合篇——打造有记忆、能协作的AI应用

现在,我们的AI已经具备了很强的单次任务处理能力。但在真实的人机交互中,我们期望的不仅仅是"一问一答",而是连续的、有上下文的对话,是能够记住历史、理解语境的智能体验。

优秀、有趣的AI知识共享! 1939

AI大模型探索之路-应用篇10:Langchain框架-架构核心洞察

随着人工智能技术的不断进步,AI大模型已成为推动技术革新的重要力量。Langchain框架作为一种先进的应用开发架构,专门针对大型语言模型(LLM)的集成与应用设计,致力于打造一个高效、灵活且功能丰富的AI应用生态。通过将理论与实践相结合,Langchain旨在为开发者提供一个全方位的解决方案平台,以应对复杂的业务需求和挑战。

寻道AI,探索AI无限可能! 2134

小白入门大模型应用必读:一文看懂人工智能核心框架 LangChain 和 Crewai

利用提示模板生成结构化文本(如自动生成报告、文章)。

python1222_的博客 1664

win 11bitlocker恢复密匙一般情况的解决方式(这里指的是你现在使用的微软账户一直没有变更过)

本来没有打算写这一篇解决帖子的,但是最近好多微博的友友都在私我询问解决方法,孩子虽然很热心,但是真的回复不过来了,打字太累了,这里给大家简单指个路,希望能够对大家有所帮助。 当时出现这个问题的时候,一搜网上的解决方法都是重装系统什么的,真是吓死孩子啦。后来去微软的官网倒腾了半天解决了问题。其实只要你没有改过微软账户,你可以直接试试我这个方法,大概三到五分钟解决问题吧。 和我情况不一样的也可以参考一下贴吧里一些大佬的分享,或者实在着急我感觉去淘宝上找个解决也不是未尝不可。 出现问题: 解决方案: 直接去微软

zhiqingxue的博客 2万+

Nvidia Isaac Sim安装与配置 入门教程 2024(2)

Isaac Sim 安装和配置教程将指导用户完成从下载软件到设置和运行仿真的全过程。教程内容包括安装必要的依赖项、配置系统环境、配置Omniverse环境以及调试和优化仿真环境的步骤。通过详细的操作步骤和图文并茂的说明,用户可以快速上手 Isaac Sim,构建出高质量的机器人仿真环境,实现其研究和应用目标。

m0_56661101的博客 2万+

Ollama+FastAPI+LangChain强强联合:本地大模型实战指南,打造未来AI应用!

本文详细介绍了Python+AI三件套(Ollama+FastAPI+LangChain)的实战应用,包括搭建本地大模型API避免云端费用、用FastAPI快速构建AI接口、实现结构化输出与本地RAG系统、流式响应、带记忆功能的ChatGPT服务以及并行运行多个模型。这些技术组合让开发者能够构建本地运行、零成本的AI应用,无需依赖云端服务。

2401_85725028的博客 1112

小米路由器R1D进阶玩法:MIXBOX工具箱安装与插件管理指南

本文详细介绍了为小米路由器R1D安装MIXBOX工具箱的完整指南。通过开启SSH、执行一键安装脚本,用户可以轻松解锁路由器的进阶功能,如安装离线下载、内网穿透等插件,从而将旧设备转变为强大的家庭网络服务中心。

weixin_29292431的博客 1114

AI 大模型探索:LangChain 框架全览 —— AI大模型应用开发利器

LangChain可以实现高效的文本摘要功能。无论是长篇文章、报告还是对话记录,LangChain都可以快速提取关键信息,并生成简洁明了的摘要。这可以帮助用户节省时间、提高阅读效率,并更好地理解内容。

m0_59164520的博客 1666

K210学习笔记(八)——人脸检测和人脸识别

前言 人脸检测是人脸识别算法的第一步,人脸识别过程主要分为人脸图像获取、人脸检测、人脸配准、人脸表征以及人脸图像匹配与识别。人脸检测的目标是找出图像中所有的人脸对应的位置,算法的输出是人脸外接矩形(椭圆)在图像中的坐标,可能还包括姿态如倾斜角度等信息。人脸检测在安防监控,人证比对,人机交互,社交和娱乐等方面有很强的应用价值。 人脸识别是在人脸检测的基础上除了检测到人脸的位置以外, 还可以识别到这个人是谁,利用分析比较是基于人的脸视觉部特征信息进行身份鉴识别的计算机一种生物识别技术。 一、KPU模块方法 1、

Thousand_drive的博客 1万+

主流算力卡性能对比分析

超大规模AI训练/HPC:优先选择NVIDIA H100或AMD MI300X,需关注显存带宽和多卡互联能力。企业级AI训练:NVIDIA A100性价比更高,生态成熟。国内自主可控需求:华为昇腾910B是首选,支持液冷和低功耗设计。本地AI推理/游戏:NVIDIA RTX 4090或RTX 5090性价比突出,但需注意显存容量限制。边缘计算/低功耗场景:华为昇腾310或清微智能TX536(能效比6.3TOPS/W@INT8)更合适。

m0_69867914的博客 7803

AI大模型应用开发 | LangChain 框架全览 :LangChain设计目标、典型应用、架构核心、问题处理

AI大模型作为人工智能领域的重要技术突破,正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口,掌握AI大模型的知识和技能将变得越来越重要。学习AI大模型是一个系统的过程,需要从基础开始,逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源,包括:AI大模型全套学习路线图(从入门到实战)、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等,资料免费分享!

老皮的博客 1422

Bresenham画圆算法在嵌入式屏幕(如ILI9806G)上的实战:从C代码到单片机显示

本文详细介绍了Bresenham画圆算法在嵌入式屏幕(如ILI9806G)上的高效实现与优化方法。通过整数化改造和针对STM32等微控制器的特殊优化,显著提升了图形显示性能,适用于资源受限的嵌入式系统开发。文章还分享了实心圆与空心圆的实现策略及实战经验。

weixin_33712987的博客 390

LangChain+Dify+Ollama组合实战:打造本地化AI应用的完整指南

本文详细介绍了如何利用LangChain、Dify和Ollama三大工具组合打造本地化AI应用。从技术栈解析到环境配置,再到深度集成实战,提供了完整的开发指南和优化技巧,帮助开发者在本地安全高效地部署大语言模型,适用于企业知识管理、智能问答等多种场景。

gray5的博客 1017

TeXstudio完整安装配置教程(2025最新版)

至此,你已经完成了TeXstudio的完整安装和配置!现在你可以:✅ 使用TeXstudio编写LaTeX文档✅ 正确编译中英文混排的文档✅ 掌握基本的编辑和配置技巧LaTeX的学习曲线较陡,但一旦掌握,你会发现它在学术写作中的强大之处。建议从简单的文档开始练习,逐步掌握更高级的功能。祝你LaTeX写作顺利!如果有任何问题,欢迎在评论区留言交流。关键词:TeXstudio安装、LaTeX环境配置、中文LaTeX、TeX Live、学术论文写作更新日期:2025年10月。

weixin_51241407的博客 4500

Machine Unlearning: A Survey

机器学习已经引起了广泛的关注,并发展成为一种使能技术,用于广泛的高度成功的应用,如智能计算机视觉、语音识别、医疗诊断等。然而,由于隐私、可用性和/或被遗忘权,一些特定样本的信息需要从称为机器遗忘的模型中删除,这就产生了一种特殊的需求。这项新兴技术因其创新性和实用性而引起了学术界和工业界的极大兴趣。与此同时,这个雄心勃勃的问题导致了许多旨在应对其挑战的研究工作。据我们所知,没有任何研究分析过这一复杂的主题,也没有比较过现有的遗忘解决方案在不同场景下的可行性。因此,通过这项调查,我们旨在了解遗忘技术的关键概念。

c_cpp_csharp的专栏 1159

多AI Agent代理:使用LangGraph和LangChain创建多代理工作流

在AI时代,每个人都是一个超级个体,AI Agent智能体的出现,为我们打造超级个体提供了可能。如果说2024年将是AI应用的元年,那么AI Agent将是这个AI应用元年里最为闪亮的那颗星。之前有读者留言,希望多分享一些AI Agent智能体的搭建方法,在上一篇推文中也从实战案例角度分享了怎么用天工AI快速搭建一套属于我们自己的AI Agent智能体,天工AI的多模态和AI搜索能力相信已经能满足大多数人的使用需求。今天就从代码实战上来分享如何使用LangGraph和LangChain创建多代理工作流。

weixin_58753619的博客 1766

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

LangChain 零基础入门:用 Python 打造你的第一个大模型应用(附 DeepSeek 实战)

我们用三步讲解法来拆解它。一句话记住LangChain 是大模型的“管家”,它帮大模型打理好了输入、输出、记忆和工具调用,让你专注于业务逻辑。核心三要点Model I/O让你随意换模型(OpenAI ↔ DeepSeek 无缝切换)。Chain帮你把复杂任务串成流水线。Agent让 AI 能够自主使用工具。🔮 进阶伏笔当你的 Chain 越来越长,出 Bug 了怎么查?以后飞哥会教你用LangSmith这个神器来进行可视化调试,把黑盒变成白盒!下期预告。

👨‍💻 12年全栈老兵 | 擅长把复杂的代码逻辑翻译成“人话” | 只讲听得懂的技术故事 🚀 1202

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

AI应用—LangChain 和 LangGraph介绍

本文探讨了当前AI技术的发展现状与应用局限,指出虽然AI在自动驾驶、生成式内容等方面存在技术瓶颈,但在图像识别、工业应用等固定场景中已显现实用价值。文章重点介绍了LangChain和LangGraph两大AI应用框架:前者采用线性工作流适合简单任务,后者基于循环图模型能处理复杂交互场景。技术层面详细对比了两者在执行方式、状态管理和条件逻辑上的差异,并提供了Python环境配置和C++调用示例。最后强调AI技术虽存在泡沫,但仍需理性看待其发展潜力,建议开发者主动学习适应新技术趋势。全文客观分析了AI技术的优缺

fpcc的专栏 750

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

上一篇: 构建图形RAG应用:利用知识图谱和AI增强医学期刊洞察
下一篇: 连续尝试了18种RAG技术之后,我找到了最优的那个
冻感糕人~
博客等级 码龄3年 8926粉丝 2384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
 
 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