趋近智
使用LangChain构建大型语言模型应用
章节 1: LangChain 框架介绍
框架的缘由
LangChain 的核心架构
设置开发环境
您的第一个LangChain应用
章节 2: 模型、提示与解析器
与LLM和聊天模型交互
使用 PromptTemplates 管理提示词
实现少样本提示
使用解析器结构化输出
动手实践：构建结构化数据提取器
章节 3: 构建用于顺序操作的链
链的基本原理
使用简单的LLM链
创建顺序链
使用路由器链实现条件逻辑
实践操作：一个内容生成流程
章节 4: 会话应用中的记忆功能
会话中状态的意义
用于短期回顾的缓冲区记忆
长对话的摘要记忆
使用窗口式和基于令牌的记忆
为链和代理增加记忆功能
实践：构建一个带记忆的聊天机器人
章节 5: 检索增强生成 (RAG) 的数据连接
RAG系统架构
使用文档加载器加载数据
文档分块处理
向量存储和嵌入
使用检索器获取数据
构建问答链
动手实践：基于您文档的问答
章节 6: 开发自主智能体
代理和工具介绍
代理、工具和工具集架构
应用内置工具
创建自定义工具
代理类型和执行器介绍
实操：一个网络搜索代理
RAG系统架构
使用 Kerb 更快构建 LLM 应用
简洁的语法。内置调试功能。从第一天起就可投入生产。
为 ApX 背后的 AI 系统而构建
这部分内容有帮助吗？
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, Patrick Lewis, Ethan Perez, Aleksandra Piktus, Fabio Petroni, Vladimir Karpukhin, Naman Goyal, Heinrich Küttler, Mike Lewis, Wen-tau Yih, Tim Rocktäschel, Sebastian Riedel, Douwe Kiela, 2020 Advances in Neural Information Processing Systems, Vol. 33 DOI: 10.48550/arXiv.2005.11401 - 介绍了检索增强生成（RAG）的概念和初始架构。
- RAG (Retrieval Augmented Generation) Concepts, LangChain documentation contributors, 2024 (LangChain) - 在LangChain框架内，提供了RAG系统组件的实用概述。
- Text Splitters, LangChain, 2024 (LangChain) - 详细介绍了为RAG将文档分割成更小、语义连贯的块的各种策略和考量。
© 2025 ApX Machine Learning用心打造