缘友一世的博客

LangChain工具包深度解析：从基础使用到高级实践

LangChain之工具创建和错误处理策略

LangChain输出解析器是LangChain框架中的核心组件，主要用于将大型语言模型(LLM)生成的非结构化文本转换为结构化数据格式。它允许开发者定义期望的输出结构，并通过提示工程指导LLM生成符合该格式的响应。输出解析器在验证和转换模型输出时发挥着关键作用，确保数据能够无缝集成到应用程序的工作流程中。

LangChain的工具调用功能为大型语言模型提供连接现实世界的桥梁，极大地扩展AI应用的可能性。通过定义清晰的工具接口并将其绑定到模型，我们可以构建出既能理解复杂请求，又能执行具体任务的智能系统。

LangChain之多模态数据传输：构建智能交互的未来

说明一 LangChain Chat Model1.1 少量示例提示(Few-Shot Prompting)1.2 Few-Shot示例代码1.3 示例选择器（Eample selectors）1.4 ExampleSelector 类型1.5 ExampleSelector案例代码1.6 LangServe工具1.7 LangServe安装1.8 langchain项目结构1.9 LangServe使用步骤二 消息历史(Message History)2.1 Message His

LangChain中的专业术语

LangFuse：开源LLM工程平台的革新实践

LangChain【1】之认识框架和简单体验

AI Agents执行流程和决策流程学习

本质上，所有的Agent设计模式都是将人类的思维、管理模式以结构化提示词的方式告诉大模型来进行规划，并调用工具执行，且不断选代的方法。从这个角度来说，Agent设计模式很像传统意义上的程序开发范式，但是泛化和场景通用性远大于传统的程序开发范式。在Agent设计模式中，Prompt可以类比为Python这类高级编程语言，大模型可以类比于程序语言编译&解释器大模型时代，Alagent编程给IT行业带来的革命性的改变：

提示工程(Prompt Engineering 上下文提示）是一种通过不更新模型的权重/参数引导LLM行为朝着特定结果的方法。提示工程可以用于各种任务、从回答问题到算术推理乃至各种应用领域。理解提示工程，可以帮助我们了解LLM的限制和能力。

小白学Agent技术[3]Agent工具使用与函数调用

ReAct针对给出的问题，先进行思考，再根据思考的结果行动，然后观察行动的结果，如果不满足要求，再进行思考、行动，直至得到满意的结果为止。采用few-shotin-context学习来生成解决问题的action和thought序列。每个in-context样例是由action、thought、observation构成的行为轨迹在推理占主导地位的应用中，我们交替生成thought和action，这样完整的行为轨迹就是多个thought-action-observation步骤。

LangGraph：一个基于图的多智能体系统开发平台，可以创建复杂的智能体交互。Autogen：一个自动代码生成平台，通过自动代码生成简化了多智能体系统的开发过程。Crewai：一个云平台，提供可扩展和安全的解决方案，适用于复杂的多智能体系统开发。

AutoGen是微软推出的一个全新工具，它用来帮助开发者创建基于大语言模型（LLM）的复杂应用程序AutoGen的Agent采用相互对话的方式来解决人类交给的任务。AutoGenAgent是可定制的、可对话的，并且无缝地允许人类参与。他们采用民M、人类输入和各种工具组合的各种运作模式。它还提供了一个非常直观的基于UI的开发工具，称为AutogenStudioAutoGen参考文档0.4.8。