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
langchain 1.0 agent 开发实战
langchain 1.0 agent 开发实战调取大模型1234567891011121314151617181920212223import osimport dotenvfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_openai import ChatOpenAIdotenv.load_dotenv()
Makefile 以及 Dockfile 详解及用法.
Makefile 以及 Dockfile 详解及用法虽然两者实际上没有什么关联 但名字挺像就拿来一起总结呢~~~~ Makefile是什么？Make是最常用的构建工具，诞生于1977年，主要用于C语言的项目。实际上对文件或者linux上任何操作 都可以进行 构建 (build) 通常我们可以在Makefile 文件或者makefile 构建 make 具体的方法 Makefile文件由
Go 语言的 slice 详解
Go 语言的 slice 详解go语言切片底层结构slice 是 go 语言的可变数组，维护了 一个 结构体 如下 12345type slice struct { array unsafe.Pointer len int cap int} slice 结构体 由一个指向 数组的指针和长度、容量构成 指针指向一个底层数组，len标识切片长度，标识切片的实际