模块 17：多 Agent 协作🎯 学习目标本模块将帮助你理解如何在 LangGraph 中创建多个专业化 Agent，并让它们协作完成复杂任务。📚 核心概念为什么需要多 Agent？单个 Agent 在处理复杂任务时可能存在以下问题：上下文过载：单个 Agent 需要处理所有类型的任务专业性不足：...
大模型技术
技术
91 篇文章
0 min 平均阅读
模块 16：LangGraph 基础🎯 学习目标本模块将帮助你理解 LangGraph 1.0 的核心概念，学会创建状态图来构建复杂的 AI 工作流。📚 核心概念什么是 LangGraph？LangGraph 是一个用于构建状态化、多步骤 AI 应用的框架。它使用图（Graph） 的概念来组织工作流...
🛠️ 模块 15：工具与 Agent 进阶深入学习工具定义、验证、组合以及 Agent 高级配置📚 学习目标完成本模块后，你将掌握：高级工具定义 - 使用 Pydantic 进行参数验证异步工具 - 处理 IO 密集型任务工具组合 - 构建复杂的工具链Agent 高级配置 - 自定义行为和错误处理生...
目录第一部分：LangChain 基础Hello LangChain - 第一个 LLM 调用提示词模板使用消息类型与对话管理自定义工具Simple AgentAgent Loop - Agent 执行循环第二部分：进阶功能Memory Basics - 内存管理基础Context Manageme...
一、Retriever 是什么？在 LlamaIndex 的架构中，Retriever（检索器） 负责根据用户查询（或聊天消息）获取最相关的上下文内容。它是连接索引（Index）和查询引擎（Query Engine）的核心桥梁。整个查询流程包含三个核心组件：组件职责类比Retriever从索引中检索...
LlamaIndex 索引与存储完全指南1. 索引概述：从数据到查询的桥梁在 LlamaIndex 中，索引（Index） 是一个核心的数据结构，它将原始的 Document 对象组织起来，以便大语言模型（LLM）能够高效地查询和理解。构建索引的过程通常包括将文档解析、分块为更精细的 Node 对象...
LlamaIndex Embedding Model 完全指南在 LlamaIndex 中，Embedding 模型是将文本转换为向量表示的核心组件，直接影响检索质量。本文将系统地介绍如何使用、配置和评估 Embedding 模型，并特别加入针对中文场景的详细推荐。目录概念与核心作用安装与基础配置各...
LlamaIndex 文档切分 Node 教程（完整版）一、核心概念：Document vs NodeDocument：原始文档对象，可以是一整个文件或一段文本Node：文档切分后的"块"，包含文本内容、元数据以及节点间的关系信息（如前后节点、父节点引用）from llama_index.core....
LlamaIndex 文档加载完全指南文档加载是 LlamaIndex 构建 RAG 应用的第一步，也是最基础的一步。本文将全面介绍 LlamaIndex 中文档加载的各种方式、核心概念以及高级自定义技巧。一、核心概念：Document在 LlamaIndex 中，Document（文档）是对原始数...
索引、向量数据与数据库的关系这是一个非常核心的问题。理解三者的关系，对于设计RAG应用的存储架构至关重要。一、概念澄清1.1 各角色定义组件本质存储内容比喻向量数值化后的文本特征浮点数数组（如[0.12, -0.34, 0.56...]）文档的"DNA编码"索引(Index)高效检索向量的数据结构向...