一、LangChain 概述 1. LangChain 简介 LangChain 是一个开源的 Python AI 应用开发框架, 它提供了构建基于大模型的 AI 应用所需的模块和工具。通过 LangChain, 开发者可以轻松地与大型语言模型 集成, 完成文本生成、问答、翻译、对话等任务。LangChain 降低了 AI 应用开发的门槛, 让任何人都可以基于 LLM 构建属于自己的创意应用。 2

一、Prompt templates（提示词模板） 语言模型以文本作为输入，这个文本通常被称为提示词（prompt）。在开发过程中，对于提示词通常不能直接硬编码，不利于提示词管理，而是通过提示词模板进行维护，类似开发过程中遇到的短信模板、邮件模板等等。 1. 什么是提示词模板？ 提示词模板本质上跟平时大家使用的邮件模板、短信模板没什么区别，就是一个字符串模板，模板可以包含一组模板参数，通过模板参数

一、导入依赖库 我们将首先导入聊天机器人所需的库。 二、爬取维基百科 构建聊天机器人的第一步是访问维基百科文章并提取内容。该 get wiki 函数接受搜索词并返回整页内容和维基百科文章的摘要。该 wikipedia.summary 方法搜索摘要，以及 requests 用于访问文章的 URL 的模块。该 BeautifulSoup 模块使用在解析页面的 HTML 内容，该 content div

一、LangServe 服务部署 1. 概述 帮助开发者将 LangChain 部署为 REST API。 该库集成了 并使用 进行数据验证。 Pydantic 是一个在 Python 中用于数据验证和解析的第三方库，现在是 Python 中使用广泛的数据验证库。 它利用声明式的方式定义数据模型和 Python 类型提示的强大功能来执行数据验证和序列化，使您的代码更可靠、更可读、更简洁且更易于调试

一、消息存储在内存 下面我们展示一个简单的示例，其中聊天历史保存在内存中，此处通过全局 Python 字典实现。 我们构建一个名为 get session history 的可调用对象，引用此字典以返回 ChatMessageHistory 实例。通过在运行时向 RunnableWithMessageHistory 传递配置，可以指定可调用对象的参数。默认情况下，期望配置参数是一个字符串 sess

一、如何自定义会话管理 之前我们已经介绍了如何添加会话历史记录，但我们仍在手动更新对话历史并将其插入到每个输入中。在真正的问答应用程序中，我们希望有一种持久化对话历史的方式，并且有一种自动插入和更新它的方式。 为此，我们可以使用： : 存储对话历史。 : LCEL 链和 BaseChatMessageHistory 的包装器，负责将对话历史注入输入并在每次调用后更新它。 要详细了解如何将这些类结合

一、自定义工具 在构建代理时，您需要为其提供一个 Tool 列表，以便代理可以使用这些工具。除了实际调用的函数之外， Tool 由几个组件组成： LangChain 提供了三种创建工具的方式： 使用 定义自定义工具的最简单方式。 使用 类方法 这类似于 @tool 装饰器，但允许更多配置和同步和异步实现的规范。 通过子类化 这是最灵活的方法，它提供了最大程度的控制，但需要更多的工作量和代码。 @t

一、相似性搜索 既然我们知道了可以通过比较向量之间的距离来判断它们的相似度，那么如何将它应用到真实的场景中呢？如果想要在一个海量的数据中找到和某个向量最相似的向量，我们需要对数据库中的每个向量进行一次比较计算，但这样的计算量是非常巨大的，所以我们需要一种高效的算法来解决这个问题。 高效的搜索算法有很多，其主要思想是通过两种方式提高搜索效率： 减少向量大小 ——通过降维或减少表示向量值的长度。 缩小