- 博客(17)
- 收藏
- 关注
RSS订阅原创 LangGraph Tool Calling Agent 新手入门｜从工具定义到 ReAct 循环全拆解
Tool Calling Agent（工具调用智能体）是一种能让大模型主动调用外部工具来完成任务的 Agent。大模型本身只能基于训练数据回答问题，不能查实时天气、不能查数据库、不能执行代码。Tool Calling Agent 给大模型配备一组工具，大模型根据用户问题决定调用哪个工具、传什么参数，拿到工具返回结果后再生成最终答案。用户提问："北京今天天气怎么样？↓大模型判断：需要调用天气查询工具↓调用 weather_tool(city="北京")↓工具返回："北京今天晴，25度"↓。
2026-09-01 20:06:14
314
原创 LangGraph Command 核心机制新手入门｜动态路由、状态更新与中断恢复全拆解
Command 把状态更新和流程控制打包返回，核心参数是 update、goto、resume。goto 实现动态路由：节点在运行时直接指定下一个节点，比条件边更灵活，支持并行调度和 Send。update 更新 State：和普通返回字典一样，遵循 Reducer 合并规则。resume 配合 interrupt 实现中断恢复：节点调用 interrupt() 暂停，外部用 Command(resume=值) 恢复，值成为 interrupt() 的返回值。三种恢复模式。
2026-09-01 19:55:00
330
原创 LangGraph State 深入解析新手入门｜从定义到合并机制全拆解
TypedDict 是 Python 标准库提供的类型提示工具，用来定义字典的结构。本质上就是字典，节点函数里用访问轻量，没有额外开销不做运行时类型校验，只是类型提示LangGraph 官方文档中最常用的方式Reducer 就是一个普通函数，签名是(旧值, 新值) -> 合并后的值。"""自定义 Reducer：搜索结果去重合并"""old = []# 把新结果中不在旧列表里的追加进去# 绑定自定义 Reducer# 初始。
2026-08-27 19:02:57
345
原创 LangGraph 核心架构新手入门｜从设计理念到执行机制全拆解
"""统计每个节点执行耗时的中间件"""print(f"节点 {node_name} 开始执行")print(f"节点 {node_name} 执行完成，耗时 {elapsed:.2f}s")LangGraph 用图结构描述 Agent 流程，核心组件是 State（状态）、Node（节点）、Edge（边）、Graph（图）。State 是节点间流转的数据，节点返回的字段会合并到 State，用 Reducer 可以自定义合并逻辑（如消息追加）。执行引擎按图调度节点。
2026-08-27 18:51:58
320
原创 RAG 项目完整流程实战｜从文档上传到混合检索与评估全链路拆解
创建索引阶段（离线）上传文件：保存 PDF/DOCX/TXT 到本地文件解析：按页提取文本，保留页码父子分块：按章节切，再切父块，再切子块，子块记录父块索引存入 Milvus：子块向量化后存向量库，附带页码、章节、文档名等元数据检索阶段（在线）向量检索：语义相似度检索，召回 Top 20BM25 检索：关键词精确匹配，召回 Top 20RRF 混合：用倒数排名融合两路结果，兼顾语义和关键词Rerank 重排序：交叉编码器精排，取 Top 3~5。
2026-08-20 19:45:53
209
原创 LangGraph 菜鸟入门｜从概念到代码，一文搞懂状态图式 Agent 开发
LangGraph 用图的方式构建 Agent，节点是处理步骤，边是流程走向，State 是流转数据。三大核心概念：State（状态）、Node（节点）、Edge（边），掌握这三个就能写大部分应用。条件边实现分支根据 State 决定走哪个节点。循环通过条件边回到前节点实现，必须设置退出条件防止死循环。适合场景：多步骤工作流、多 Agent 协作、需要人工介入的流程、需要精确控制的复杂 Agent。与 LangChain Agent 互补。
2026-08-20 19:25:51
565
原创 Python 字符串转列表 &； Document 对象提取属性｜两道高频面试题拆解
字符串转列表：优先json.loads，格式复杂用，别用eval。提取 Document 的 page转成对象列表，再遍历。正则是兜底方案：拿不到类定义时，用正则直接从字符串里抠值。这两道题都是 RAG 项目里的高频操作，记下来直接用。
2026-08-10 20:09:32
184
原创 RAG 文档切分进阶：父子块关联设计到底有多巧妙？一文讲透 Parent-Child Chunking
在 RAG 系统中，文档需要切分成小块后才能存入向量数据库。块切得太大，检索时容易混入无关内容，精准度下降块切得太小，语义信息不完整，拿到了也答不好父子分块（Parent-Child Chunking）就是解决这个问题的方案。父块：尺寸较大，保留完整的上下文，用于最终给大模型生成回答子块：尺寸较小，内容更聚焦，用于向量检索和关键词检索检索流程是：用户提问 → 向量检索命中子块 → 通过子块找到对应的父块 → 把父块内容交给大模型生成答案。
2026-08-06 20:09:32
287
原创 【RAG实战】Embedding 与向量数据库入门到实战｜从原理到 Milvus 检索全流程
Embedding 就是把文字变向量，语义相近的向量距离近，让"意思"变成可计算的数学问题。向量数据库专门存向量、做相似度检索，用 ANN 索引算法实现毫秒级查询，是 RAG 的核心存储。RAG 核心三步：文档切块 → 向量化存库 → 问题向量化检索 → 大模型生成答案。Milvus 是最推荐的开源向量数据库，功能全、性能强、生态好。效果优化方向：选对 Embedding 模型、调好切块参数、加 Rerank、用混合检索。
2026-08-06 19:54:48
719
原创 【SQLAlchemy 入门到实战】一文吃透 Python ORM 框架｜从建表到异步查询全覆盖
pass用 Python 类定义一张用户表，类属性就是表字段，就像定义一个普通类一样简单。"""用户表"""# 表名（数据库里真实的表名）# 主键：用户ID，自增id = Column(Integer, primary_key=True, autoincrement=True, comment="用户ID")# 用户名，不能为空，建索引。
2026-08-03 20:19:50
403
原创 【Milvus安装】Windows安装Milvus向量数据库保姆级教程｜一步一图从零搭建
Milvus 没有 Windows 原生版，通过 Docker Desktop + WSL2 运行是官方标准方案安装三步曲：装 Docker → 跑一键脚本 → Attu 可视化管理三个核心容器：milvus-standalone（主服务）、etcd（元数据）、minio（对象存储）默认端口 19530，Python SDK 和 LangChain 都用这个Attu 必备：图形化管理，调试、查数据都靠它觉得有用的话，，持续更新 RAG 从零到企业级落地全套教程！
2026-07-30 19:43:22
773
原创 【LangChain RAG实战】文档加载与文本切分全解
很多新手刚接触RAG时会有个疑问：我直接把整本书丢给大模型不行吗？上下文窗口限制：再强的模型也有token上限，一本书几十万字根本塞不下成本与速度：每次问答都传整篇文档，token费用爆炸、响应速度巨慢准确率问题：文档太长模型容易"迷路"，答案反而不准、出现幻觉RAG的核心思路：把大文档切成小块 → 向量化存进向量库 → 提问时只检索最相关的几块 → 塞进Prompt给模型回答。而整个流程的第一步，就是文档加载 + 文本切分，这一步做不好，后面的检索、问答全白搭。Document 对象。
2026-07-30 19:32:15
345
原创 还在写嵌套 LLM 调用？一文吃透 LangChain LCEL 与 Runnable，代码直接清爽十倍
摘要： 本文是《LangChain大模型零基础实战教程》系列专栏的第三篇，重点讲解如何用LCEL（LangChain表达式语言）标准化组件流水线，解决传统嵌套调用代码臃肿、难以维护的问题。LCEL通过管道符|串联Runnable组件（如提示词模板、大模型、解析器等），实现数据自动流转，支持流式输出、批量并发等统一接口（如.invoke()、.stream()）。文章详解五大核心组件：RunnableSequence（串行）、RunnableParallel（并行分支）、RunnableLambda（自定义函
2026-07-27 20:04:04
521
原创 【LangChain进阶】彻底解决AI输出乱格式！OutputParser结构化输出全解
很多新手开发 AI 应用都会遇到一个致命问题：大模型是概率生成式模型，不会 100% 严格遵守你的 Prompt 要求。自带前言、后语、解释性文字JSON 少逗号、少括号、格式残缺字段错乱、类型不统一嵌套结构崩坏，代码直接解析报错人工可读的自由文本 ≠ 程序可用的结构化数据如果我们要做：智能客服、数据抽取、表单生成、工具调用、自动化业务逻辑，绝对不能靠“模型自觉”。LangChain 提供的OutputParser 输出解析器✅ 强制模型按固定格式输出✅ 自动校验字段、类型、结构。
2026-07-24 20:32:29
469
原创 从零学会规范写 Prompt｜LangChain 双模板详解 + 3 套可复用业务案例源码
Prompt 就是给到大模型的整套指令集合，包含角色定位、工作任务、约束规则、业务入参。一句话介绍 LangChain 框架企业标准写法：你是专业电商运营，根据商品信息撰写详情文案约束：150字以内、突出用户收益、禁止夸大宣传正式项目优先使用只用于简单纯文本生成场景模板实现提示词与业务数据解耦，大幅提升代码可维护性专门用来托管、截断多轮对话上下文。
2026-07-22 17:27:08
194
原创 LangChain新手入门：从零搭建第一个LLM对话应用（保姆级）
如果把大模型LLM（GPT、通义千问、DeepSeek）比作「超级大脑」：单纯的大脑只能聊天，LangChain 就是给大脑装上手、记忆、工具、流程。模型 Model：大模型本体（负责生成回答）提示模板 PromptTemplate：标准化、动态生成提示词链 Chain：串联多个任务流程（翻译→总结→输出）记忆 Memory：保存对话上下文，实现多轮对话代理 Agent：让模型自主选择工具（计算、搜索、接口调用）1、包版本错误：新版必须安装，不再内置在核心包中2、国内用户无代理报错404：必须配置。
2026-07-21 19:50:02
394
原创 封神级Git教程！零基础从安装到团队协作，一篇吃透
🔥全网最硬核Git零基础教程：从安装到团队协作全掌握 本文是一篇保姆级Git教程，专为新手开发者打造，涵盖Git全流程核心知识： 基础篇 Git安装配置（Windows环境+国内镜像） 四大工作区域解析（工作区/暂存区/本地库/远程库） 本地仓库核心操作（init/add/commit/log） 实战进阶 远程仓库关联（GitHub/Gitee） 代码推送拉取（push/pull/clone） 分支管理全流程（创建/切换/合并/删除） 救急指南 代码撤回全场景解决方案（工作区/暂存区/已提交） 团队协作规
2026-07-21 18:59:05
233
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