langchain models 实战 模型初始化与调用
🤖 模型初始化与调用 —— LangChain 的第一步 所在目录：models/initmodel_demo.ipynb核心依赖：langchain_openai、langchain_anthropic、langchain_core 前言在使用 LangChain 构建 AI 应用之前，第一步永远是”选一个大模型，把它跑起来”。models 模块就是干这件事的——它演示了如何初始化不同厂商
langchain models 实战 Memory 记忆模块
🧠 Memory 记忆模块 —— 让 AI 记住过去的对话 所在目录：memory/short_memory.ipynb核心依赖：langgraph.checkpoint、langgraph.store、langchain.agents 前言一个没有记忆的 AI 助手，每次对话都像是第一次见面。它不知道你叫什么名字，不知道你上次讲过什么，更别说积累对你的了解。 LangChain/LangG
langchain models 实战 结构化输出
📦 结构化输出 —— 让 AI 说”机器能懂的语言” 所在目录：struct_output/struct_op_test.ipynb核心依赖：langchain_core、pydantic 前言大模型的默认输出是自由格式的文本，但在实际开发中，我们经常需要模型返回固定格式的数据： 从简历中提取姓名、邮箱、工作经历 分析情感，返回 {"sentiment": &
langchain models 实战 Tools 工具系统
🔧 Tools 工具系统 —— 给 Agent 装上”手” 所在目录：tools/tool_demo.ipynb、tools/tool_runtime.ipynb核心依赖：langchain.tools、langchain.agents 前言大模型天生只能”说话”，它拥有海量知识，却无法执行代码、查询数据库、调用外部 API。Tools（工具） 解决了这个问题——它让 Agent 拥有了”手
langchain models 实战 Agent 智能体
🤖 Agent 智能体 —— 能思考、能行动的 AI 所在目录：agent/agent_hello.ipynb、agent_task/todolistagent.py、agent_task/test_todolistagent.py核心依赖：langchain.agents、langgraph 前言如果说前面几个模块（模型、消息、工具）是 AI 应用的零件，那么 Agent（智能体） 就是把
langchain models 实战 流式输出（Streaming）
⚡ 流式输出（Streaming）—— 让回复”实时涌现” 所在目录：chunk/stream_mode.ipynb核心依赖：langchain_openai、langchain.agents 前言ChatGPT 的回复是一个字一个字涌现出来的，而不是等全部生成完再展示——这就是流式输出（Streaming）。它让用户感受到”AI 正在实时思考”，而不是对着空屏幕等待。 对比维度 普通
langchain models 实战 Middleware 中间件
🛡️ Middleware 中间件 —— Agent 的”护城河” 所在目录：middleware/bultin_middleware.ipynb、middleware/custom_middleware.ipynb核心依赖：langchain.agents.middleware 前言中间件是软件工程中的经典模式：在核心逻辑执行前后插入横切关注点（Logging、权限校验、限流、重试……）。
提示词工程
为什么需要提示词工程？好的提示词能够让AI回复更加准确，跟满足提问者的需求， 要实现这一点，提示词工程应运而生。作为连接人类意图与大模型能力之间的关键桥梁，它不仅关注“说什么”，更强调“如何说”。随着模型能力不断增强，提示词的设计逐渐从简单的指令扩展为一种系统化的方法论——其中包括对任务背景的描述、角色设定、输入输出格式的规范化、约束条件的给定，以及对模型行为的逐步引导。一个精心构建的提示词能够显