https://blog.itdn.top/tags/langchain/ Recent content in LangChain on 知行 - 大道至简，知易行难；道阻且长，行则将至。 Hugo -- gohugo.io zh-CN 郑超(Charles·Zheng) Fri, 17 Apr 2026 15:30:15 +0000 https://blog.itdn.top/posts/2026/langchain_rag_agent/ Fri, 17 Apr 2026 15:30:15 +0000 https://blog.itdn.top/posts/2026/langchain_rag_agent/ 一、项目概述 从零开始，使用 Python 基于 LangChain RAG（检索增强生成）+ Agent（智能代理） 构建一个完整的多工具 AI 知识库问答助手系统。系统具备文档问答、数学计算、天气查询、时间查询和提醒设置等多种功能，能够根据用户问题智能选择合适的工具进行处理。 1.1 技术选型 组件 技术 版本 说明 语言 Python 3.10+ 主开发语言 AI 框架 LangChain 0.1+ Agent 和工具链管理 向量数据库 Chroma 0.4+ 轻量级本地向量存储 嵌入模型 DashScope Embeddings - 阿里百炼嵌入服务 大语言模型 DeepSeek - 对话生成 1.2 项目结构 PROJECT/ ├── src/ │ └── ai_personal_assistant/ │ ├── __init__.py │ ├── main.py # 主入口文件 │ ├── service/ # 业务服务层 │ │ ├── __init__.py │ │ └── agent.py # Agent构建逻辑 │ └── utils/ # 工具模块 │ ├── __init__. https://blog.itdn.top/posts/2026/langchain_rag/ Wed, 15 Apr 2026 18:30:15 +0000 https://blog.itdn.top/posts/2026/langchain_rag/ 一、基础概念 RAG（Retrieval-Augmented Generation，检索增强生成）是一种将信息检索与文本生成相结合的人工智能技术。通过从外部知识库中检索相关信息，并将其作为上下文（Context）输入给大语言模型（LLM），以增强模型处理知识密集型任务的能力，如智能问答、文本摘要、内容生成等。 其核心流程可概括为：用户提问 → 检索相关文档 → 将检索结果与问题融合 → 生成最终答案 1.1 RAG 核心步骤 文档加载：从多种数据源（PDF、Word、网页、数据库等）加载文档 文本分割：将长文档切分成合适大小的片段（chunk） 文本向量化：将文本片段转换为向量嵌入（Embedding） 向量存储：将向量存储到向量数据库中 查询处理：将用户问题转换为向量 相似度检索：从向量数据库中检索相关文档片段 生成回答：将检索到的上下文与问题一起输入大模型生成回答 1.2 环境准备 安装 RAG 相关依赖： langchain-deepseek：提供 OpenAI Embedding 模型 langchain-chroma：Chroma 向量数据库的 LangChain 集成 chromadb：Chroma 向量数据库（轻量级，适合入门） pip install langchain-deepseek langchain-chroma chromadb 创建 .env 文件配置 API 密钥： OPENAI_API_KEY=your-api-key OPENAI_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1 二、Document Loader（文档加载器） LangChain 提供了丰富的文档加载器（Document Loaders），支持从各种数据源加载文档。这些加载器统一返回 Document 对象，便于后续处理。 Loader 来源 安装包 TextLoader .txt 文件 langchain（内置） PyPDFLoader PDF 文件 langchain-community + pypdf WebBaseLoader 网页 URL langchain-community + beautifulsoup4 CSVLoader CSV 文件 langchain-community UnstructuredMarkdownLoader Markdown 文件 langchain-community + unstructured # 加载文本文件（内置，无需额外安装） from langchain_community. https://blog.itdn.top/posts/2026/langchain_agent/ Sun, 12 Apr 2026 18:30:15 +0000 https://blog.itdn.top/posts/2026/langchain_agent/ Agent 是 LangChain 最核心的概念，它赋予 AI 自主决策能力——自动判断何时需要调用工具，并在获取工具结果后继续推理，直至完成任务。这一机制使 AI 能够突破静态知识限制，动态获取实时信息并解决复杂问题。 一、什么是 Agent 传统的模型调用遵循简单的一问一答模式：用户发送请求，模型返回响应，交互结束。 Agent 则完全不同，它引入了一个 思考-行动-观察（Think-Act-Observe）的闭环机制： 模型分析问题 → 判断需要调用工具 → 执行工具获取结果 → 基于结果继续推理 → 如需更多信息则再次调用工具 → 循环直至生成最终答案 例如，当用户询问"今天杭州天气怎么样？“时，普通模型只能依赖训练数据中的历史信息（可能已过时数月）。而 Agent 会主动调用天气查询工具获取实时数据，再基于真实信息给出准确回答。这正是 Agent 的核心价值所在——将大模型的推理能力与外部工具的执行能力有机结合。 二、创建第一个 Agent 创建一个具备工具调用能力的 Agent 只需三个步骤： 步骤 操作 说明 ① 定义工具 使用 @tool 装饰器将 Python 函数转换为工具 ② 创建 Agent 通过 create_agent() 构建工具调用能力 ③ 运行 Agent 使用 agent.invoke() 执行并获取结果 2.1 环境准备 首先安装依赖包： pip install langchain langchain-openai python-dotenv 创建 .env 文件配置 API 密钥： https://blog.itdn.top/posts/2026/langchain/ Thu, 09 Apr 2026 18:30:15 +0000 https://blog.itdn.top/posts/2026/langchain/ LangChain 是一个开源的大语言模型（LLM）应用开发框架，由 Harrison Chase 于2022年底推出。它的核心价值在于将大模型从单纯的文本生成能力，转化为可落地的工程化应用。你可以将其理解为一套“AI应用开发积木”——通过提供标准化的组件和灵活的编排能力，让开发者无需从零编写底层逻辑，就能快速构建智能问答、数据分析助手、自动化工作流等复杂应用。 一、LangChain 的核心架构 1.1 核心组件 LangChain 的功能围绕六大核心模块展开，每个模块各司其职又相互配合： 模块 核心职责 关键能力 Models（模型层） 统一模型接口 屏蔽不同厂商 API 差异，支持云端模型（OpenAI、通义千问等）和本地开源模型（Llama 等），一行代码切换底层模型 Prompts（提示词工程层） 标准化提示词管理 模板化动态插入变量、少样本提示、输出解析器（强制 JSON 等格式） Memory（记忆层） 对话上下文存储 完整保存历史、自动总结节省 Token、向量形式长期记忆，支持持久化到数据库或文件 Chains（链层） 工作流编排 将多个步骤串联，如“文档检索 → 大模型回答”组成 RAG 核心链 Data Connection（数据连接层） 外部数据接入 文档加载器（PDF、网页等）、文本分割、向量化、向量数据库对接，是 RAG 的基础 Agents（智能体层） 自主决策与工具调用 思考任务目标、规划调用顺序、自动调用外部工具（搜索、计算器、API 等） 1.2 典型应用场景 借助这些组件，LangChain 可快速构建以下应用： 智能问答系统：结合 RAG 技术，让 AI 基于私有文档或知识库精准回答问题 多轮对话机器人：利用 Memory 模块实现流畅的上下文感知对话 自动化工作流：自动执行翻译、总结、改写等多步骤任务，或生成报告、社交媒体内容 数据分析助手：将自然语言转换为 SQL 查询，辅助数据洞察与决策 代码辅助工具：AI 辅助编程、代码解释与自动生成 1.3 LCEL（LangChain Expression Language） LCEL 是 LangChain 的核心特性，通过管道符 | 实现组件的优雅组合：