拥抱具身智能，昇腾Ascend C

本文介绍了LangChain表达式语言(LCEL)的两个应用示例。第一个示例展示了如何构建一个简单的翻译链，将输入文本翻译为指定语言；第二个示例演示了如何构建并行链，同时将文本翻译为中文和法语。两个示例都使用了ChatPromptTemplate定义提示模板、init_chat_model初始化模型以及StrOutputParser处理输出，展现了LCEL通过管道操作符(|)连接组件的简洁语法。这些示例说明了LCEL在构建语言处理流程时的灵活性和易用性。

本文介绍了在langchain1.x中使用init_chat_model函数的五种方式：1）直接构建模型并调用；2）后配置方式调用；3）流式输出；4）异步流式输出；5）结合提示词模板和管道使用。这些方法展示了如何灵活配置OpenAI模型参数，实现同步/异步调用、流式输出等功能，最后还演示了如何将模型集成到处理链中。

本文展示了一个使用LangChain框架构建的对话系统实现。代码通过ChatOpenAI连接大模型API，配置了基础模型、API密钥和温度参数。核心功能包括：1) 构建对话链(prompt+llm+输出解析器)；2) 使用ChatMessageHistory管理对话历史；3) 通过RunnableWithMessageHistory实现带历史记录的对话交互。示例演示了系统能记住上下文信息（如用户名称），并支持多语言响应。最后展示了两次对话交互的结果，验证了对话记忆功能的实现效果。

本文介绍了如何配置LangChain与OpenAI API进行交互。通过pyproject.toml文件配置项目依赖项，包括dotenv环境变量管理和LangChain的OpenAI集成。示例代码展示了两种调用方式：1) 使用ainvoke方法异步获取AI生成的报告；2) 使用astream方法实现流式输出响应内容。两种方式都需要配置OpenAI API密钥、基础URL和模型参数。该实现支持Python 3.13环境，为开发基于LangChain的AI应用提供了基础框架。

LangGraph框架通过图结构建模Agent和WorkFlow，包含三个核心组件：1.State（状态）作为共享数据结构，支持TypedDict或Pydantic模型；2.Nodes（节点）执行计算逻辑的Python函数；3.Edges（边）控制流程的条件分支函数。框架通过Reducer机制处理状态更新，支持自定义更新规则。示例展示了冷笑话生成工作流，包含生成器节点和评估器节点，通过条件边实现循环优化，直到笑话达到幽默标准。整个系统通过组合Python函数构建复杂工作流，支持LLM与普通代码混合使用。

MCP（模型上下文协议）是由Anthropic推出的开放标准，旨在解决AI模型数据孤岛问题，实现模型与数据源/工具的无缝交互。该协议支持三种通信机制：标准输入输出、SSE远程通信和新型StreamableHTTP（2025年推出）。StreamableHTTP通过统一HTTP端点、无状态模式等特性显著提升了可扩展性和可靠性。开发者可通过FastMCP库快速搭建MCP服务，结合LangChain等工具构建智能代理系统。MCP协议使AI能安全访问本地/远程数据，为构建"万物互联"的AI应用提

本文摘要：代码展示了如何使用Python搭建一个基于LangChain和MySQL的智能问答系统。通过环境变量配置OpenAI API和MySQL连接参数，创建了一个具有天气查询功能的AI助手。系统使用ChatOpenAI作为语言模型，通过随机生成的温度数据模拟天气查询功能，并将对话记录存储在MySQL数据库中。最后演示了如何询问上海天气并获取包含随机温度的回复。

本文介绍了如何将LangGraph中的多轮对话历史存储到MySQL数据库。主要内容包括：1)通过Docker安装MySQL8并创建用户权限；2)使用PyMySQLSaver将对话数据持久化到MySQL，而非内存；3)实现包含天气查询功能的智能对话代理；4)演示了增量问答和历史对话读取功能。关键步骤涉及配置数据库连接字符串、设置检查点(checkpointer)以及通过thread_id管理对话线程。该方法解决了对话历史的内存存储限制问题，实现了对话数据的持久化存储和检索。

本文介绍了LangChain中的记忆存储功能，通过checkpointer和thread_id实现多轮对话状态持久化。代码示例展示了如何创建带有天气查询工具的AI助手，并演示了连续询问北京和南京天气的对话过程。关键点包括：1)使用InMemorySaver作为checkpointer；2)设置唯一thread_id维持会话；3)通过随机数模拟天气查询结果。该功能使AI能跟踪上下文，实现更自然的连续对话交互。