40 章讲透模型调用、Prompt、RAG、Tools、Agent、Memory、LangGraph、LangSmith 与企业级落地。
共 24 章
一、为什么很多人调通了大模型 API，却做不出真正的 AI 应用？ 现在调用一个大模型已经很简单。你只要拿到 API Key，写几行代码，就可以让模型回答问题。Demo 阶段看起来很顺利：用户输入一句话，模型返回一段文字。 但真实项目一上线
上一篇我们讲了 LangChain 到底是什么。 这一章继续往下拆：LangChain 不是一个单点工具，而是一套组件体系。你可以把它想成一条 AI 应用生产线：前面接用户问题，中间接模型、知识库和业务系统，后面接结构化输出、日志、评测和监
这一章讲清楚 LangChain 模型层的核心：Chat Model。它就像一个“统一插座”，让业务系统用同一套接口去调用 OpenAI、Claude、Gemini、Qwen、DeepSeek、Ollama 等不同模型。 一、Chat Mo
大模型对话不是“字符串输入、字符串输出”这么简单。真正进入模型上下文的，是一组带角色、内容和元数据的消息列表。 1. Messages 是大模型对话的骨架 很多人刚学 LangChain，会把模型调用理解成：我给模型一段文本，模型返回一段文
从模板语法、ChatPromptTemplate、MessagesPlaceholder 到源码级执行链路 一、为什么 Prompt 不能一直写在代码里？ 很多人刚接触大模型应用时，第一反应是：不就是把一句话发给模型吗？比如“你是一个客服助
01 先把问题讲透：为什么需要结构化输出？ 大模型最擅长的是“像人一样说话”。这也是它最大的问题。人能看懂一段话，系统不一定能看懂。系统要的是字段、类型、枚举、范围、布尔值、数组。不是一段情绪饱满的解释。 比如用户问：“帮我看一下这个订单是
大模型很强。它会写代码，会总结，会分析，会对话。 但它有三个硬伤：不知道你的私有数据，训练知识会过期，上下文窗口也不是无限大。 RAG 就是为了解决这三个问题。它不是让模型重新训练一次，也不是把所有资料都塞给模型。它的核心动作很简单：回答之
一、Loader 是 RAG 的入口，不是普通文件读取 很多人第一次用 LangChain 做知识库，代码通常是这样的： loader = PyPDFLoader("产品手册.pdf") docs = loader.load() 看起来像两
一、前言 Document Loader 只是把资料读进来。Text Splitter 才决定这些资料怎么进入知识库。 切分太大，检索像大海捞针。切分太小，语义被切碎。一个好的 Chunk，要能被召回，也要能独立表达完整意思。 这就是 Te
Embedding 不是可有可无的组件，它是 RAG 的地基。地基歪了，后面 Retriever、Rerank、Prompt 再漂亮也救不回来。 一、Embedding 到底是什么？ Embedding，就是把一段文字变成一串数字。 这串数
1、Vector Store 不是普通数据库 普通数据库更擅长精确匹配。你查订单号，它能准。你查用户 ID，它也能准。 但 RAG 场景不是这么问的。用户不会说“我要第 32 页第 5 段”。用户只会问：“合同里违约责任怎么写？”、“三安光
01 前言 Retriever 是 RAG 的入口。它接收一个 query，返回一组 List[Document]。模型不是先出场，资料先出场。 前面几章我们讲了 Loader、Splitter、Embedding、VectorStore。
RAG 最容易踩的坑，不是“没有召回”。 而是召回了一堆看起来相关、实际会干扰模型的资料。 所以，成熟的 RAG 链路不会把 TopK 直接塞进 Prompt。 它会先召回，再重排，再压缩。 1. 为什么召回 TopK 后还要重排？ 向量召
这一章不再单讲一个组件，而是把前面所有 RAG 组件合起来：从文件上传，到向量入库，再到用户提问、检索证据、模型回答、日志追踪。 01 先搞清楚：企业知识库问答不是 Demo Demo 只要能回答。企业系统要能上传、能解析、能检索、能引用、
前面几章，我们把 RAG 的底层链路讲完了：文档进来，切分，向量化，入库，检索，重排，最后把上下文交给模型。 但这还不够。 RAG 让模型会“查资料”。Tools 让模型能“办事情”。 没有 Tools，大模型只是一个会聊天的脑子。它能分析
一、模型不会真的调用工具 很多人第一次看 Tool Calling，会以为模型自己会查数据库、调接口、执行函数。错。模型没有直接执行你代码的权限。它能做的，是看懂你给它的工具说明，然后输出一段结构化数据。 这段结构化数据就是 tool_ca
01 Agent 到底是什么？ 普通大模型，只会回答。Agent 不一样，它可以先判断，再行动，再根据结果继续判断。 一句话：Agent = 会使用工具的大模型循环。 用户问“帮我分析这只股票今天为什么涨”，普通问答可能直接编。Agent
1. 前言 前面几章，我们讲了 Tools、Tool Calling、Agent Loop。现在进入新版 LangChain Agent 的入口：create_agent。 它是新式 Agent 的总装厂。你把 model、tools、sy
1. Agent 不是员工，是实习生 Agent 能规划，能调用工具，能连续执行。 这很强。也很危险。 因为模型会犯错。它可能调错工具，填错参数，误解返回值，重复调用接口，甚至尝试执行高风险动作。 所以生产级 Agent 的第一原则是：模型
1. 前言 Agentic RAG 的核心，不是把 RAG 写得更复杂。 它只是把“检索知识库”这件事，从固定步骤，变成 Agent 可以选择调用的工具。 普通 RAG：用户一问，系统就查。Agentic RAG：用户一问，模型先判断；需要
记忆不是“多带几轮聊天记录”。记忆是一个可读、可写、可压缩、可持久化的上下文系统。 1. 记忆不是历史消息 很多人第一次做多轮对话，会把历史消息全部拼进 Prompt。刚开始没问题。聊十轮、二十轮以后，问题就来了：上下文越来越长，成本越来越
1. 短期记忆到底是什么？ Short-term Memory = 当前 thread 内的状态保存。它让 Agent 在同一段会话里记住前面发生过什么。 LangChain 官方把短期记忆叫做 thread-level persisten
1. 长期记忆到底是什么？ 短期记忆解决“这轮对话怎么接上”。长期记忆解决“这个用户下次再来，我还认不认识他”。 在 LangChain / LangGraph 里，短期记忆通常跟 thread 绑定；长期记忆放在 Store 里，按 na
一、Prompt 只是入口，上下文才是现场 很多人做 AI 应用，第一反应是改 Prompt。 但线上 Agent 出错，往往不是 Prompt 写得不够玄，而是模型看到的上下文不对。 一句话讲透 Context Engineering，就