Ruby Bundle & RubyGem

最新推荐文章于 2025-10-04 19:38:01 发布
原创 最新推荐文章于 2025-10-04 19:38:01 发布 · 120 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#ruby

本文介绍了RubyGems的基础知识及其在Ruby生态系统中的作用，并提供了RubyBundle的官方网站文档链接，帮助读者更好地理解和使用这些工具。
[url]http://article.yeeyan.org/view/130962/95492[/url]RubyGems简介
[url]http://gembundler.com/[/url]Ruby Bundle官网文档
LangChain-记忆系统 (Memory)
1.大规模企业集群服务开发和服务架构设计，性能优化等经验。 2.企业级数据仓库0-1落地经验。
04-10 1456
在构建对话式AI应用时，能够记住上下文和之前的交互至关重要。存储对话历史：保存之前的消息交换管理上下文窗口：控制传递给模型的上下文量提取相关信息：从历史中选择重要信息处理长期记忆：管理超出上下文窗口的信息# 创建摘要记忆llm=ChatOpenAI(), # 用于生成摘要的模型# 使用摘要记忆summary_memory.chat_memory.add_user_message("你好！我叫李明，我是一名软件工程师。")
理解langchain langgraph 官方文档示例代码中的MemorySaver
bigcarp的专栏
03-14 1686
中间件有什么特征：它在程序执行过程中某些数据流的环节介入，并根据设定的逻辑对部分数据进行加工或调整数据的流向，而这一切对用户来说是透明的，看不见的，像一只看不见的手在那里做了些什么。在这里中的作用类似于一个“中间件”，workflow编译的时候提供了一个“检查点（Checkpointing）”让这个中间件介入进去，让这个看不见的手去捕获并加工里面数据。节点 (Nodes): 节点是工作流中的执行单元，每个节点都关联一个函数，该函数定义了节点的执行逻辑。：标记节点及节点的状态，定义节点之间的连接和流向。
收藏必备！从LangChain到LangGraph：大模型开发框架全方位解析与实战指南
最新发布
python1234_的博客
10-04 1642
本文系统对比了LangChain、LangGraph和LangSmith三大AI开发框架的核心特性与应用场景。LangChain提供链式编程接口，适合简单任务；LangGraph支持动态工作流编排，是构建复杂Agent系统的理想选择；LangSmith作为监控平台，提供调试、追踪和评估功能。文章还解析了RAG技术如何通过检索增强生成解决LLM的知识局限问题。三大框架各司其职又相互协同，为开发者提供了从基础调用到复杂系统构建的全套工具链，是开发现代AI应用的重要技术支撑。
LangChain之内存记忆 ( Memory )
2401_85328934的博客
05-30 1277
大多数LLM应用都具有对话功能，如聊天机器人，记住先前的交互非常关键。对话的重要一环是能够引用之前提及的信息，这些信息需要进行存储，因此将这种存储过去交互信息的能力称为记忆 ( Memory )。默认情况下，链式模型和代理模型都是无状态的，这意味着它们会独立处理每个传入的查询，类似于底层的LLMs和聊天模型本身的处理方式。当有了记忆之后，每个链都定义了一些需要特定输入的核心执行逻辑。其中一些输入直接来自用户，但其中一些输入可以来自记忆。在给定的运行中，链将与其记忆系统交互两次。
LangChain 教程（三）：记忆组件（Memory）—— 让大模型记住对话上下文
新人制作，若有问题，请私聊我，或评论区
08-18 1701
让我们的模型拥有记忆功能，LangChain 0.2.x 版本的记忆组件通过 RunnableWithMessageHistory 实现了更灵活的会话管理，结合 InMemoryChatMessageHistory、窗口记忆、摘要记忆等工具，可满足从简单对话到复杂场景的记忆需求。核心是根据对话长度和信息重要性选择合适的记忆策略，并通过 session_id 实现多用户隔离。
玩转 LangChain Memory 模块：四种记忆类型详解及应用场景全覆盖
吴师兄大模型的博客
01-10 3385
用户刚刚告诉系统自己的名字，而下一轮对话中系统却“忘记”了？面对长时间的多轮对话，如何在有限资源下高效管理上下文？如何在信息量巨大的交互中，快速提炼核心内容而不遗漏关键信息？在传统对话模型中，由于上下文信息管理的缺失，模型经常会给出不连贯或无意义的回答。而随着对话应用需求的不断升级，存储和管理对话历史变得至关重要。LangChain 提供了强大的Memory 模块，让我们能够轻松实现对话的“记忆力”，从而构建出更智能、更连贯的对话系统。
langchain memory
m0_61253599的博客
07-22 600
向量数据库（Vector Database）是一种专门设计用来存储、管理和检索高维向量数据的数据库系统。向量数据库的主要优势在于其对高维向量数据的高效处理能力，尤其适用于需要进行相似性搜索的应用场景，如图像检索、推荐系统、自然语言处理等。• 利用k近邻算法进行相似性搜索，适合于与文本搜索结合的场景。• 一种开源的向量数据库，专为处理大规模、高维向量数据设计。• 由Spotify开发的用于推荐系统的相似性搜索库。• 构建基于树的索引，适合高维空间中的近似最近邻搜索。• 高效处理大规模、高维向量数据。
大模型从入门到应用——LangChain：记忆（Memory）-[聊天消息记录]
冯·诺依曼
08-15 5569
有时候在连接到AWS端点时指定URL非常有用，比如在本地使用Localstack进行开发。对于这种情况，我们可以通过构造函数中的参数来指定URL。
从传统LangChain代理迁移到LangGraph的完整指南
ahdfwcevnhrtds的博客
10-09 580
本文介绍了从传统LangChain迁移到LangGraph的方法，包括基础设置和高级功能。读者可以继续探索LangGraph的其他高级特性。
langChain与langGraph的关系与区别
qq_64680177的博客
06-29 599
LangChain是一个专门为开发AI应用而设计的开源框架。它是模块化链条编排的先驱，简化了LLM和传统工具再AI应用中的集成。但在Agent概念成为了AI应用开发的核心方向后，LangChain无法支持其开发。 LangGraph作为其进化的产物。它引入了图计算与状态管理的概念，用于完成Agent架构中复杂的流程构建与流转。再实际的应用中，其能将复杂的任务拆解成多个节点，每个节点代表着一个操作或者一个智能体，通过边定义节点间的依赖关系实现数据流向。这种方式可以是Agent架构的设计与调试更加
LangGraph：记忆
czqjijiboy的博客
09-22 439
本文介绍了LangGraph中的两种记忆机制：短期记忆（线程内记忆）和长期记忆（跨线程记忆）。短期记忆通过checkpointer自动保存对话状态，绑定特定thread_id管理单次对话上下文；长期记忆则通过store提供键值存储，需手动调用put方法保存跨会话数据，绑定user_id实现持久化。两者可同时使用，但长期记忆需要开发者根据业务逻辑主动存储关键信息，而短期记忆自动维护对话状态。这种设计确保了对话上下文的连贯性和重要数据的持久性。
从LangChain升级LangGraph，大幅提升智能体性能
csdn1561168266的博客
05-30 2058
迁移至LangGraph的智能体会获得更深层次的能力和灵活性。按照既定步骤并理解系统消息的概念，将有助于实现平滑过渡，并优化智能体的性能表现。为了获得更全面的迁移指导和掌握高级技术，建议查阅官方LangChain文档。
LangChain 16 通过Memory记住历史对话的内容
AI架构师易筋
11-30 5274
大多数LLM应用程序都有对话界面。对话的一个重要组成部分是能够引用先前在对话中介绍的信息。最基本的是，对话系统应该能够直接访问某些过去的信息窗口。更复杂的系统将需要具有一个世界模型，它不断更新，这使它能够维护有关实体及其关系的信息。我们称这种存储关于过去交互的信息的能力为“记忆”。LangChain为系统添加记忆提供了许多实用工具。这些实用工具可以单独使用，也可以无缝地整合到链中。记忆系统需要支持两个基本操作：读取和写入。请记住，每个链定义了一些核心执行逻辑，期望某些输入。
langchain入门三:memory-记忆组件,让大语言模型拥有记忆
Langchain的博客
05-21 1516
langchain入门三:memory-记忆组件,让大语言模型拥有记忆
【2024最全最细Langchain教程-10】Langchain记忆模块
u013607702的博客
01-29 2628
上节课我们介绍了如何利用langchain去加载互联网页面内容（中文信息）、向量化和利用大语言模型进行查询，这节课我们讲一下Langchain的记忆模块。我们利用langchain构造最多的就是聊天机器人，而要进行聊天的业务功能，就必须使得大语言模型能够获得上下文，这样对话才能继续。
Langchain里的“记忆力”，让AI只记住有用的事
dfBeautifulLive的博客
09-27 2664
今天要讲以下内容：1.ConversationBufferWindowMemory：基于一个固定长度的滑动窗口的“记忆”功能2.ConversationSummaryMemory：总结对话“记忆”功能3.ConversationSummaryBufferMemory：上面两个的结合，超过一定token限制之前以对话形式进行存储，超过之后进行小结存储。4.memory.save_context：有上下文对话，可以通过此插入对话内容，可供后续对话内容。
一文看懂LangChain、LangGraph、LangSmith及其之间关系
学习即修行
07-16 1274
LangChain 是一个开源框架，提供了一套高层 API 和模块，帮助开发者快速构建复杂的 LLM 应用（如问答系统、RAG、Agent 等）。它专注于组件组合、链式调用与外部工具整合。LangGraph 是 LangChain 团队推出的一个框架，用于实现多节点、条件跳转、并发执行的工作流系统，基于有向图思想构建。LangSmith 是 LangChain 团队提供的商业服务平台，用于可视化调试、追踪执行、性能评估、数据标注与反馈闭环。
【AI大模型应用开发】【LangChain系列】3. 一文了解LangChain的记忆模块（理论实战+细节）
同学小张的博客
02-07 2009
本文我们学习了 LangChain 的 Memory 记忆模块，可以看到它里面封装了很多的记忆类型，在项目中可以按需选用。但是也应该认识到，目前LangChain的记忆模块还不成熟，是测试版本。LangChain的快速迭代，需要我们时刻关注它的变化。
基于LangChain的LLM应用开发3——记忆
火烧径-make life easier
10-22 575
此情可待成追忆，只是当时已惘然。我们人类会有很多或美好或痛苦的回忆，有的回忆会渐渐模糊，有的回忆午夜梦醒，会浮上心头。然而现在的大语言模型都是没有记忆的，都是无状态的，大语言模型自身不会记住和你对话之间的历史消息。根本用不着“时时勤拂拭”，天然就是“本来无一物”。每一次的请求交互、api调用都是独立的，完全没有关联。那些聊天机器人看起来有记忆，是因为借助代码的帮助，提供历史消息作为和LLM对话的上下文。嗯，就跟我们大脑不太够用了，要拿小本本或者打开Obsidian/Notion/语雀……来查找一样。
如何实现LangGraph的记忆功能？
08-27
在 LangGraph 框架中实现记忆功能，主要依赖其内置的 **检查点（Checkpointing）机制** 和 **状态管理能力**。通过合理配置这些机制，可以为 Agent 赋予短期记忆（Short-Term Memory）和长期记忆（Long-Term Memory...
评论
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