- 综合排序
- 最热优先
- 最新优先
- 来自专栏从流域到海域
LangChain手记 Agent 智能体
整理并翻译自DeepLearning.AI×LangChain的官方课程：Agent（源代码可见） “人们有时会将LLM看作是知识库，因为它被训练所以记住了来自互联网或其他地方的海量信息，因而当你向它提问时 （笔者注：Agent，直译代理，LLM语境下更偏向于具备一定智能的代理，因而更偏向强化学习Agnet的概念，因而本文翻译为智能体。） Agent 智能体 LangChain提供的Agent可以使用各种各样的工具，例：搜索引擎，也支持自定义工具，这使得你可以访问任何数据存储、API或者自定义函数。本节介绍Agent的一些例子。 Mitchell得到了2个页面，虽然它能得出Tom M. 使用LangChain实现类Copilot 可以通过开启LangChain debug模式观察到更多信息： 使用LangChain编写自定义工具 前面都是使用LangChain
1.1K30编辑于 2023-10-12 - 来自专栏深度学习与python
LangChain 推出开源异步编码智能体 Open SWE
作者 | Robert Krzaczyński 译者 | 刘雅梦 LangChain 发布了 Open SWE，这是一个完全开源的异步编码智能体，旨在在云端运行并处理复杂的软件开发任务。 公司表示，Open SWE 代表了从实时“副驾驶”助手向更自主、长期运行的智能体的转变，这些智能体可以直接集成到开发人员现有的工作流程中。 LangChain 表示，Open SWE 的多智能体架构（Manager、Planner、Programmer 和 Reviewer）是生成高质量代码的关键。 来源：LangChain 博客 该项目基于 LangGraph 构建，并通过 LangGraph 平台部署，公司表示该平台针对长期运行的智能体进行了优化，并提供了持久性、扩展性和部署灵活性。 在我看来，langgraph 的顶级贡献者是他们构建的智能体，这是一个巨大的危险信号。
60110编辑于 2025-08-24 - 来自专栏AI智能体从入门到实践
构建AI智能体：LangChain智能体：打造会使用工具(Tools)、有记忆(Memory)的AI助手
基础内容可参考《构建AI智能体：解密LangChain中的RAG架构：让AI模型突破局限学会“翻书”答题》二、LangChain的核心组件模型层Models：模型层是 LangChain 的基础，支持多种大语言模型接口 三、LangChain的工作流程图1. 流程图2. 工作流程 LangChain 将多个组件智能地串联起来，以完成复杂任务。 它是 LangChain 中 Agent（代理）的核心工作模式，使大模型不仅能够生成文本，还能智能地决定何时以及如何使用外部工具来解决问题。2. 综合示例：LangChain 多工具智能体2.1 示例工作流程2.2 代码分解2.2.1 依赖管理与环境设置def check_and_install_dependencies(): """检查并安装必要的依赖 多工具智能体，适合作为更复杂应用的基础框架。
1.3K21编辑于 2025-11-24 从 LangChain 到 AutoGPT：Python 构建自主智能体的奇妙之旅
今天，咱们就跟着 LangChain 和 AutoGPT 这两位神奇向导，一起探索用 Python 构建自主智能体的奥秘，掌握 10 个超酷的核心技巧！啥是自主智能体？ LangChain：构建智能体的得力工具包LangChain 可是个超牛的存在，它就像一个装满各种神奇工具的百宝箱，专门用来帮助咱们构建基于语言模型的应用和智能体。下面来看看它的一些关键组件和功能。 使用 LangChain，你可以快速实现这个需求，为后续的智能体应用提供数据支持。 AutoGPT：自主智能体的进阶探索如果说 LangChain 是构建智能体的基础工具包，那 AutoGPT 就是迈向更高级自主智能体的神奇钥匙。 用 LangChain 开启智能体构建之旅安装与基础设置首先，咱们得把 LangChain 库请进咱们的开发环境。
1.2K10编辑于 2025-03-09- 来自专栏AI智能体从入门到实践
构建AI智能体：LangChain SQLDatabaseToolkit终极指南：架构、优势与最佳实践
2. 系统至少有2位客户2. 客户信息包含ID、姓名、邮箱和创建时间3. 客户创建时间分布在2023年1月和2月4. 邮箱格式符合常见电子邮件格式2. 与Qwen API模型的集成流程内部流程执行步骤：当使用基于 SQLDatabaseToolkit 构建的 Agent智能体时，其内部的工作流程通常如下：用户提问：用户提出一个问题，例如：“我们公司上个月销售额最高的产品是什么 推动AI应用落地：它将 LLM 的认知能力与数据库的海量结构化数据无缝衔接，是构建企业级智能数据分析、自动报表生成、客户洞察等应用的核心基础设施。 langchain.sql_database import SQLDatabasefrom langchain.llms.openai import OpenAIfrom langchain.agents
94921编辑于 2025-11-26 - 来自专栏AI人工智能
LangChain智能体开发实战：从零构建企业级AI助手
LangChain智能体开发实战：从零构建企业级AI助手开篇摘要作为一名深耕AI领域多年的开发者，我见证了从传统聊天机器人到智能体(Agent)的技术演进。 正如OpenAI CEO Sam Altman所说："智能体将是下一个重大技术突破，它们不仅能理解语言，更能主动解决复杂问题。"在实际企业项目中，我发现传统的单轮对话AI已经无法满足复杂业务需求。 本文将基于我在多个企业级项目中的实战经验，详细介绍如何从零开始构建一个生产级的LangChain智能体。 作为开发者，我们需要持续关注新技术发展，不断优化Agent的智能化水平。LangChain Agent不仅是技术工具，更是连接AI能力与业务价值的桥梁。 参考资源：LangChain官方文档LangChain GitHub仓库OpenAI Functions文档企业级AI部署最佳实践白皮书关键词：LangChain Agent, 智能体开发, 企业级AI
1.4K10编辑于 2025-07-14 2024全新Langchain大模型AI应用与多智能体实战开发
Langchain大模型AI应用实战开发一、什么是LangChain？LangChain是一个强大的框架，旨在帮助开发人员使用语言模型构建端到端的应用程序。 Indexes索引：用来结构化文档，以便和模型交Chains链：一系列对各种组件的调用，就是将其他各个独立的组件串联起来Agents智能体：决定模型采取哪些行动，执行并且观察流程，直到完成为止六、LangChain 的工作原理理解LangChain的工作原理，有助于更深入地把握它如何使语言模型的应用变得更加智能和高效。 LangChain的工作机制基于以下几个关键方面：集成语言模型与外部数据：LangChain的核心功能之一是将语言模型与外部数据源整合。 通过这种工作原理，LangChain不仅使得语言模型的应用更加高效和智能，也大大拓展了其应用范围，为开发者提供了更广阔的创新空间。
1.2K00编辑于 2024-05-25- 来自专栏ceshiren0001
告别Demo｜手把手教你构建可用的LangChain测试智能体
我将带你基于 LangChain，从零搭建一个真正能在企业环境中运行、具备实际价值的自动化测试智能体（Agent）。 这个智能体将能够理解自然语言描述的测试需求，自主分析被测系统，生成、执行并维护测试用例，甚至能对测试结果进行初步分析与反馈。 一、为什么是 Agent，而不仅仅是脚本？ 任务理解与规划模块（Task Planner） 2. 知识与应用工具库（Tools & Knowledge） 3. 测试执行引擎（Test Executor） 4. 三、实战：分步搭建 第 1 步：环境准备与核心依赖 # 核心库 pip install langchain langchain-openai pip install playwright # 用于 UI 现在，开始构建你的测试智能体吧。
40800编辑于 2026-02-11 智能体(AI Agent)开发实战之【LangChain】(一)接入大模型输出结果
LangChain 是一个强大的开源框架，专为构建与大语言模型（LLMs）相关的应用而设计。通过将多个 API、数据源和外部工具无缝集成，LangChain 能帮助开发者更高效地构建智能应用。 一、环境准备 安装LangChain，langChain-core等库，我安装时LangChain版本是：0.3.21，langChain-core版本是当时最新版本：0.3.48。 1.导入必要的库和类from langchain.chat_models import ChatOpenAIfrom langchain.schema import HumanMessage, SystemMessage2 6.运行代码输出结果三、总结 LangChain 提供了丰富的接口用于和不同的大模型集成和交互，可帮助开发者轻松地构建出功能强大的对话式智能应用
1.5K11编辑于 2025-06-12- 来自专栏智能体
智能体(AI Agent)开发实战之【LangChain】(八)核心模块：代理(Agents)，ReAct Agent
在LangChain中，ReAct Agent是一种基于"推理 - 行动（Reasoning - Acting）" 范式的智能代理，融合推理与行动的，以模拟人类在解决问题时的思维和行为模式。 2. 强大的工具交互性 可与多种外部工具交互，如搜索引擎、数据库等，借助这些工具的能力来解决问题，能适应各种复杂场景。3. 动态决策机制 根据当前问题和已有的信息，动态地决定下一步行动，而不是遵循预设的固定流程，使处理任务更加灵活智能。4. 能够根据输入的问题进行逻辑推理，决定需要采取的行动，然后调用相应的工具来执行这些行动，并依据行动的结果进一步推理和调整后续行动，通过不断循环迭代来逐步解决复杂的任务，是您进行智能体开发的必要选择。
79510编辑于 2025-09-07 - 来自专栏菩提树下的杨过
Agent设计模式学习(基于langchain4j实现)(8) - 非AI智能体
AI参与的处理环节（也称非AI智能体) 1 /** 2 * 非AI智能体，将多个简历评审聚合成一个综合评审。 3 * 这演示了普通Java操作符如何作为一等智能体用于智能体工作流， 4 * 使它们能够与AI驱动的智能体互换使用。 1 /** 2 * 非AI智能体，根据评分更新申请状态。 3 * 这演示了普通Java操作符如何作为一等智能体用于智能体工作流， 4 * 使它们能够与AI驱动的智能体互换使用。 * 这里展示如何在智能体工作流中使用非AI智能体（普通Java操作符）。 5 * 将更多步骤外包给非AI智能体，你的工作流将更快、更准确、更经济。 6 * 对于需要强制确定性执行的步骤，非AI智能体比工具更受青睐。
16810编辑于 2026-02-02 智能体案例分析：IT新闻聚合智能体
智能体案例分析：IT新闻聚合智能体 IT新闻聚合智能体通过自动化技术抓取、分析和呈现最新的IT行业动态。这类智能体通常结合自然语言处理（NLP）和机器学习技术，从多个来源筛选高价值信息。 核心功能包括： 实时爬取主流科技媒体（如TechCrunch、Wired、The Verge） 自动分类（人工智能、网络安全、云计算等） 情感分析判断新闻倾向性 生成摘要简化阅读 典型应用场景： 投资机构追踪技术趋势 article in response.css('div.post-block'): yield { 'title': article.css('h2 a::text').get(), 'url': article.css('h2 a::attr(href)').get(), 'timestamp F1-score>0.92 摘要质量：ROUGE-L>0.75 系统可用性：99.95% SLA 行业应用数据显示： 企业用户平均减少67%的信息收集时间 重大技术事件发现速度提升40% 误报率控制在2%
35610编辑于 2025-12-17- 来自专栏AI智能体从入门到实践
构建AI智能体：LangChain LCEL深度解析：基于Runnable协议的声明式编程新范式
执行流程：用户输入 → 语义解析 → 工具选择 → 执行工具 → 结果处理 → 生成回复2. 2. LLM 作为 Runnable LLM 也可以是一个 Runnable。 str) -> list: # 这里用一个简单的模拟实现 keywords = ["模型", "人工智能", "学习"] found = [kw for kw in keywords 【最终总结】人工智能是由人类创造的智能体，能够感知环境、学习知识并执行任务，通过算法模拟人类认知能力。它分为弱AI（专注特定任务）和强AI（尚未实现，具备全面人类智能）。 AI已广 泛应用于医疗、金融、交通等领域，正如诗歌中所说，智能如潮水般涌动，未来在代码中悄然成形。
66221编辑于 2025-11-25 - 来自专栏服务端技术杂谈
LangChain创始人回应为啥不做托拉拽的智能体工作流
但LangChain创始人Chase回应了他们为啥不做托拉拽的智能体工作流。 Chase的很多道理我觉得挺对的。 在第一天，就有很多人建议LangChain做托拉拽，但一直没有这么做。 首先，工作流（workflows）和智能体（agents）不是一回事。 workflows，追求的是可观测性，代价是牺牲了自主性。 agents，追求的是自主性，牺牲了可观测性。 agents的复杂，体现在提示词里，复杂的逻辑被抽象成了自然语言，所以智能体是提示词+工具。 那托拉拽工作流会有什么问题？ 首先，托拉拽实现智能体门槛并没有那么低，虽说是面向大众设计，但普通非技术用户使用起来还是很困难。 托拉拽的方式构建智能体正在面对着两端的积压，随着模型能力越来越强，原有构建的图便没有了价值，随着代码生成越来越便宜，写代码的门槛正在降低。
14410编辑于 2026-03-11 - 来自专栏Langchain
【LangChain系列2】【Model IO详解】
（即，其中的每个模块抽象，都是源于对大模型的深入理解和实践经验，由许多开发者提供出来的标准化流程和解决方案的抽象，再通过灵活的模块化组合，才得到了langchain）1-2、LangChain抽象出来的核心模块想象一下 链接多个模块协同构建应用，是实际运作很多功能的高级抽象；Memory ： 记忆模块，以各种方式构建历史信息，维护有关实体及其关系的信息；Agents ： 目前最热门的Agents开发实践，未来能够真正实现通用人工智能的落地方案 2-0、Model I/O模块概要在LangChain的Model I/O模块设计中，包含三个核心部分： Prompt Template（对应下图中的Format部分）， Model（对应下图中的Predict 2-1-2、Chat模型的少样本示例Demo1： 使用Ai&Human Message交替形成历史记录ChatPromptTemplate： 是 LangChain 库中用于生成与语言模型进行对话式交互提示的类 2-1-7、连接特征存储开源的特征存储框架： feast，详细介绍见附录2-2、Predict（LLM调用，以Chat 模型为主）2-2-1、概要1、模型设置： 这里我们依旧使用智谱AI来设置模型from
80300编辑于 2025-01-03 Gemma-2B langchain 接入
global.index-url https://pypi.tuna.tsinghua.edu.cn/simple pip install modelscope==1.11.0 pip install langchain ，将 Gemma2B 接入到 LangChain 框架中。 完成自定义 LLM 类之后，可以以完全一致的方式调用 LangChain 的接口，而无需考虑底层模型调用的不一致。 基于本地部署的 Gemma2B 自定义 LLM 类并不复杂，我们只需从 LangChain.llms.base.LLM 类继承一个子类，并重写构造函数与 _call 函数即可： from langchain.llms.base from LLM import Gemma2B llm = Gemma2B(model_name_or_path = "/root/autodl-tmp/Lucachen/gemma2b") llm("
37610编辑于 2025-07-21智能体来了！2026智能体开发全面指南
智能体来了！2026智能体开发全面指南 一、 繁华落尽后的“平静”：技术背后的选择逻辑“真正深入使用 AI 之后，我反而更平静了。” 在过去这段时间里，我深入钻研了 Python 编程、探究了 AIGC 的视觉极限、搭建了复杂的流程智能体、甚至深入到了 STM32 的硬件底层。 而顶级的 AI 大模型与 Agent（智能体），正是我能遇到的认知最高、脾气最好、思维最完善的存在。在我的「心枢」系统里，AI 不仅仅是执行任务的“器”，它更是我最好的老师、朋友、教练和员工。 它的核心公式是：理解目标（Layer 1）→ 协助决策（Layer 2&3）→ 自动执行（Layer 2&5）→ 持续表达（Layer 4）。 礼包内包含（持续更新）：多维提示词库：包含智能体设计规范、AI 绘画精准词簇、AI 视频叙事 Prompt。ComfyUI 极客工作流：从零搭建好的 json 配置文件，导入即用。
32710编辑于 2026-01-24- 来自专栏AI智能体从入门到实践
构建AI智能体：解密LangChain中的RAG架构：让AI模型突破局限学会“翻书”答题
二者的结合，就像RAG给了建筑师既有了设计蓝图，而LangChain又有了全套现代化工具，让构建智能应用变得前所未有的高效和可靠。 本文将深入探讨如何利用 LangChain 框架实现 RAG 架构，通过具体代码示例展示如何构建一个能够理解特定领域知识的智能问答系统。 结合《构建AI智能体：大模型的幻觉难题：RAG 解决AI才华横溢却胡言乱语的弊病》中介绍的“开卷”的比喻，要实现“开卷考试”（RAG）这个流程，你需要很多工具：找书（文档加载）、翻书和找重点（文本分割与检索 LangChain 是一个工具箱和脚手架，它能把强大的AI大脑（LLM）和你自己的数据、工具、业务流程连接起来，拼装成一个真正能用的、智能的应用程序。 十、总结 LangChain 与 RAG 的结合为构建高效、准确的智能问答系统提供了强大基础。
68421编辑于 2025-11-10 - 来自专栏Go语言学习专栏
2 - AI 应用开发 - AI 超级智能体项目教程
2）对话型提示词（Conversational Prompts）：模拟自然对话，以问答形式与 AI 模型交互。 你认为人工智能会在未来取代人类工作吗？ 什么是人工智能？ 2）复合提示词（Compound Prompts）：包含多个相关指令或步骤的提示词。 分析下面这段代码，解释它的功能，找出潜在的错误，并提供改进建议。 请提供一个社交媒体营销计划，针对一款新上市的智能手表。计划应包含: 1. 目标受众描述 2. 三个内容主题 3. 每个平台的内容类型建议 4. 设计一个智能家居系统的基础架构: 1. 首先用文字描述系统的主要功能和组件 2. 然后创建一个系统架构图(用ASCII或文本形式表示) 3. 接着提供用户交互流程 4. - 智能答案生成 - 根据知识库动态生成结构化答案，突出逻辑性（如STAR法则）。 - 提供“极速模式”（秒级响应）和“精准模式”（联网校验信息准确性。 2.
39910编辑于 2026-03-17 - 来自专栏机器学习算法与Python学习
开源星际争霸2多智能体挑战smac
转自：专知 SMAC是Github上的一个用于在暴雪星际争霸2上进行多智能体协同强化学习（MARL）的环境。 SMAC用了暴雪星际争霸2的机器学习API和DeepMing的PySC2为智能体与星际争霸2的交互提供了友好的接口，方便开发者观察和执行行动。 https://github.com/oxwhirl/smac 安装SMAC pip install git+https://github.com/oxwhirl/smac.git 另外，星际争霸2也是要安装的 示例代码 ---- 在下面的代码中，独立的智能体在接收到观察和全局状态后会执行随机策略。 from smac.env import StarCraft2Env import numpy as np def main(): env = StarCraft2Env(map_name=
1.6K20发布于 2019-03-07
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号