茯茶养生人的博客

本文系统讲解LangChain中RAG（检索增强生成）技术的核心概念与实战应用。首先阐述大模型知识滞后、知识缺失和幻觉三大局限，以及RAG通过检索+生成解决这些问题的设计意义、优缺点和六大工作流程（Source→Load→Transform→Embed→Store→Retrieve→Generate）。随后深入讲解文档加载器（TextLoader、CSVLoader、JSONLoader、PyPDFLoader、Word/Markdown/HTML加载器、DirectoryLoader）的BaseLoader与Document底层设计，以及文档切分器TextSplitter的五种Chunking策略、核心参数和三种调用方法，重点推荐递归字符切分作为首选策略。

本文系统讲解 LangChain/LangGraph 的上下文与记忆机制。核心要点：大模型无状态，需通过记忆模块保存历史交互；LangChain 1.x 记忆分为短期记忆（State + Checkpointer + Thread ID）和长期记忆（store 对象）；提供 InMemorySaver（内存持久化，适合测试）和 PostgresSaver（PostgreSQL 持久化，适合生产）两种实现方案，并对比其差异；最后介绍消息裁剪、删除、摘要等上下文治理策略，解决 token 消耗和上下文窗口限制问题。

本文系统讲解 LangChain Agent 中间件机制，涵盖中间件的概念（Agent 执行过程中的钩子函数）、价值（分离横切逻辑）、分类（自定义/内置/供应商定制，内置16个分六大类），并深入实战讲解 SummarizationMiddleware（摘要压缩上下文）、HumanInTheLoopMiddleware（人工审批）、PIIMiddleware（敏感信息保护）、TodoListMiddleware（任务规划）等核心中间件的参数配置与代码示例。

本文系统讲解LangChain 1.x中Agent智能体的核心概念与实战用法，涵盖Agent与普通模型调用的区别、四大核心组件（Action/Tool/Planning/Memory）、create_agent()统一创建入口、Agent调用与输出格式、LangGraph图本质、三种工具绑定方式、ReAct循环工作流、重试机制、系统提示词及结构化输出（response_format）等13个关键知识点，并提供完整代码示例。

本文系统讲解 LangChain 1.x 的结构化输出机制。核心内容包括：结构化输出的定义与价值（让模型返回可被程序稳定消费的 JSON/Pydantic 数据）、四种 Schema 定义方式（Pydantic 生产首选、TypedDict 轻量、JSON Schema 跨语言、@dataclass 简单）及其运行时校验差异、with_structured_output() 的四步工作流程、Field(description) 对模型输出的关键作用、Optional 与 default 的区别、Enum vs Literal 的选择、嵌套结构建议≤3层、include_raw=True 用于获取原始 AIMessage 排查问题，以及 JsonOutputParser 不推荐的原因。文末附有章节自测题，并指出 DeepSeek 模型不支持 json_schema 模式。

本章系统讲解 LangChain 中 Tools 工具调用的核心概念与实战方法，涵盖 @tool 装饰器、tool_calls 消息链路、ToolMessage 回传机制、多工具并发处理及 tool_choice 策略控制。文章强调"模型负责判断、工具负责执行"的核心思想，通过 5 个模块、5 个实践练习和自测题帮助读者理解从普通函数到模型可调用能力的完整转化过程。

本章核心是学习"管理提示词"而非"写提示词"。重点掌握4件事：理解为何LangChain不推荐手写长字符串Prompt、SystemMessage/HumanMessage/AIMessage的角色分工、用ChatPromptTemplate构造结构化输入，以及Prompt模板作为Tools、Agent、RAG基础的原因。文章通过模块化讲解Message本质、模板工程化价值，并附带自测题帮助巩固，强调将输入从随手写升级为结构化、可复用、可维护的工程化表达。

本章讲解 LangSmith 作为 LangChain 生态中的观测层，解决 AI 应用链路复杂化后的可观测性问题。核心口诀是"LangChain 负责调用，LangSmith 负责看见调用"。当应用涉及多消息类型、Prompt 模板、多步骤串联、工具调用或 Agent 时，print 不再够用，LangSmith 能自动记录全链路、按 run 查看每一步输入输出与耗时，帮助定位模型问题还是流程问题。文章还涵盖 run 中 attributes 分类（模型身份信息、配置参数、运行结构信息）及 tracing 排查要点（API key、TRACING 开关、项目名、环境变量加载）。

本文介绍 LangChain 作为大模型应用编排层的核心价值，梳理 LangChain/LangGraph/LangSmith 三兄弟分工（能力、流程、观测），讲解 AI 应用四条路线（Prompt、Agent+Tools、RAG、Fine-tuning）及适用场景，并详解模型初始化三种方式（专用模型类、OpenAI 兼容、init_chat_model），强调 .env 配置管理的重要性。

本文系统讲解Python类型标注（Type Hints）与Pydantic数据校验的核心知识点，涵盖import语法、函数类型标注、嵌套数据类型（如list[dict[str,str]]）、竖线|语法、Literal限定值、TypedDict与Pydantic BaseModel的对比、Field字段约束，以及LLM输出校验的完整实战流程。强调Pydantic在运行时真正拦截类型错误，而TypedDict仅做声明不校验。

本文为健身背部训练课程，介绍了四个背部锻炼动作：杠铃俯身划船（锻炼外部+内部肌肉，强调屈膝微蹲、背部挺直）、单臂坐姿划船（锻炼外部肌肉，手肘紧贴身体）、T杆俯身划船（锻炼内部肌肉，夹背、稍挺胸）和双手剪刀下拉（宽握，锻炼外部肌肉，缓慢节奏）。每个动作均强调感受发力部位的重要性。

本文为健身训练第九课，聚焦肩部三角肌训练。包含四个动作：绳索面拉（三角肌后束）、坐姿俯身反向飞鸟（三角肌后束）、固定推肩（三角肌前中束）、侧平举（三角肌中束）。每个动作详细讲解了起始姿势、发力过程、呼吸节奏及注意事项，强调顶峰收缩、控制节奏和保持身体稳定等训练要点。