标签: langchain
共 26 篇文章
LangChain-26 Custom Agent 全面教程 从零构建自定义智能体
本文展示了如何在Python中使用Langchain库和GPT-4模型创建一个聊天代理，通过定义工具函数并将其与LLM集成，实现对用户输入中单词长度等信息的查询。
LangChain-24 AgentExecutor 全面详解
本文介绍了如何在Python中使用Langchain库进行文档检索，加载Web内容，配置OpenAIEmbeddings，并集成GPT-3.5-turbo模型进行问答。展示了如何创建代理执行器来处理用户查询并获取相关信息。
LangChain-25 ReAct框架详解 大语言模型推理与行动融合
文章介绍了大模型ReAct，一种利用逻辑推理和行动序列实现目标导向的框架，通过LLM进行决策和操作。核心组成部分包括Thought（思考）、Act（行动）和Obs（观察）。
LangChain-22 Text Embedding与FAISS实战详解
本文介绍了TextEmbedding在NLP中的关键作用，如何将文本转换为实数向量以表达语义关系，以及如何结合OpenAIEmbeddings和FAISS进行高效存储和查询。
LangChain-23 Vector AI语义检索系统 向量数据库+大语言模型
文章介绍了如何使用Chroma向量数据库处理和检索来自文档的高维向量嵌入，通过OpenAI和HuggingFace模型进行向量化，并展示了在实际场景中如何通过大模型进行问答和增强回复的应用实例。
LangChain-20 文档加载器 TextLoader、CSVLoader、PyPDFLoader、JSONLoader
本文介绍了LangChain库提供的多种文档加载器，如TextLoader、CSVLoader、DirectoryLoader等，展示了如何加载和处理各种格式的数据。
LangChain-21 Text Splitter 全面详解
文章浏览阅读7.5k次。本文介绍了LangChain库中的各种TextSplitters，包括基于字符、单词、HTML标签和编程语言的分割器，以及它们的应用场景。
LangChain-18 缓存机制详解 InMemoryCache与SQLiteCache
文章浏览阅读7.1k次。LangChain 提供完善的缓存机制，用于显著降低 LLM 调用延迟与成本。其核心包括 InMemoryCache（内存缓存）与 SQLiteCache（持久化缓存）。
LangChain-19 TokenUsage 回调函数详解
介绍了如何在Python中通过LangChain库集成OpenAI GPT-3模型，展示如何使用`get_openai_callback`函数来获取回调并执行请求。
LangChain-16 Using Tools 掌握 LLM 工具调用
文章浏览阅读6.1k次。LangChain 是当前最热门的 LLM 应用开发框架之一，专为构建智能助手、自动化流程和AI数据分析而设计。通过其强大的工具集成能力，开发者可轻松调用外部API，实现从搜索、计算到文件处理的多功能自动化。
LangChain-17 Function Calling AI函数调用的工作原理
Function Calling（函数调用）是大语言模型（如GPT-4、Claude、Gemini）与外部系统交互的核心技术。它让AI不仅能理解语言，还能执行任务，实现从文本对话到真实操作的跨越。
LangChain-14 OpenAI 内容审核 Moderation详解
内容审核（Moderation）是现代互联网平台安全与合规的核心环节，用于识别、过滤和管理用户生成内容（UGC），防止违法违规、低质或有害信息的传播。
LangChain-15 智能知识检索：AgentExecutor执行机制
文章浏览阅读7.1k次，点赞25次，收藏4次。本文介绍了如何通过Wikipedia搜索插件、AgentExecutor执行机制、上下文Token控制来构建智能知识检索系统。
LangChain-12 Routing By Semantic Similarity 语义相似度路由
文章浏览阅读6.4k次。本文介绍了一种使用大模型（如OpenAI）和Prompt模板的方法，通过计算查询与预设模板的相似度来处理程序设计中非预期输入的问题。
LangChain-13 Memory ConversationBufferMemory 对话记忆与上下文管理
本文介绍了如何利用LangChain库中的工具在Python中管理大模型的会话上下文，通过ConversationBufferMemory和RunnableLambda等组件，实现在连续对话中保存和加载用户信息，使大模型具有记忆功能。
LangChain-11 Code Writing FunctionCalling 自回归语言建模、大数计算局限与LangChain PythonREPL实战
文章介绍了如何使用GPT-3.5-Turbo模型编写Python代码来解决用户的抽象计算问题，如2+2和复杂的数学表达式，展示了模型在处理非标准问题上的潜力。
LangChain-09 Query SQL DB With RUN GPT 实现自然语言查询数据库
文章介绍了如何使用Python库如langchain和ChatOpenAI(GPT-3.5-turbo)结合SQLite数据库，创建一个程序来执行SQL查询并以自然语言形式返回结果。
LangChain-10 Agents Langchainhub使用指南
文章介绍了如何通过LangChainHub的Hub机制，利用Python代码轻松访问和共享Prompt。尽管该项目已有一年未更新，但作者仍看好其潜力，展示了如何安装依赖并使用一个模拟搜索引擎的工具来获取天气信息。
LangChain-07 Multiple Chains 多链串联
本文展示了如何使用LangChain库中的Runnable和Prompts，配合OpenAI模型，创建一个可以串联的对话链，以实现多阶段问题解答。通过实例演示了如何构建并执行一个包含两个步骤的查询过程。
LangChain-08 Query SQL DB 通过GPT自动查询SQL
本文介绍了如何在LangChain框架下，通过Python脚本导入ChinookSQLite数据库，利用GPT模型执行SQL查询，如计算员工数量。
LangChain-05 RAG 增强检索会话 Conversational
文章浏览阅读5.5k次。本文介绍了如何使用Langchain库中的工具，如OpenAIEmbeddings和ChatModels，结合文档检索技术，创建一个基于对话历史生成回答的程序。
LangChain-06 RAG With Source Document 检索增强生成
检索增强生成（RAG，Retrieval-Augmented Generation with Source Document）是一种结合检索与大语言模型生成的AI技术框架。其核心流程是先在向量数据库中检索相关文档片段，再利用生成模型生成高质量回答，并标注信息来源。
LangChain-03 astream_events 流输出 FAISS 实战
本文介绍如何使用DocArrayInMemorySearch对文本数据进行向量化，并结合OpenAIEmbeddings和GPT-3.5模型，实现在给定上下文的情况下检索相关信息并生成回答。
LangChain-04 RAG Retrieval-Augmented Generation 检索增强生成
本文详细讲解了如何在LangChain中利用RAG技术，结合OpenAI的GPT-3.5模型，通过检索和生成提高文本生成质量。给出了安装和使用代码实例。
LangChain-01 入门指南：快手上手 Hello World
本文介绍了如何使用LangChain库，结合OpenAI API和GPT-3.5-turbo模型，创建一个模板来生成关于特定主题（如猫）的笑话。作者展示了如何安装依赖、设置API Key并实际操作来获取幽默输出。
LangChain-02 JsonOutputParser 解析与流式 JSON 数据处理全攻略
文章介绍了如何在Python环境中安装并使用Langchain和OpenAIAPI，通过异步函数获取指定国家及其人口数据，并展示了逐步增加人口值的过程。