- 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 有一个更加有用的认知模式是将LLM看作是一个推理引擎，如果提供给他文本块或者额外信息，它可以利用从互联网或者其他地方学会的背景知识利用新信息来帮助回答问题或者进行文本推理或者执行下一步动作，这正是LangChain （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。 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
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。 3 * 非AI智能体只是普通的方法，但可以像其他类型的智能体一样使用。 4 * 它们非常适合确定性的操作，如计算、数据转换和聚合，这些操作不需要LLM参与。 ---------------- 时序图（简化版）-AI生成 时序图（详细版）-AI生成 文中示例代码： https://github.com/yjmyzz/agentic_turoial_with_langchain4j AI Agents \ Anthropic [译] AI Workflow & AI Agent：架构、模式与工程建议（Anthropic，2024） Agents and Agentic AI | LangChain4j
16910编辑于 2026-02-02 - 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 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。 <meta name="keywords" content="构建AI<em>智能</em><em>体</em>：十八、解密<em>LangChain</em>中的RAG架构：让AI模型突破局限学会“翻书”答题"> <meta name="description Final Answer: 构建AI<em>智能</em><em>体</em>：十八、解密<em>LangChain</em>中的RAG架构：让AI模型突破局限学会“翻书”答题-CSDN博客2025-09-13 14:19:58,233 - LangChainAgent
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
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四、SQLDatabaseToolkit的工作流程1. 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 langchain.sql_database import SQLDatabasefrom langchain.llms.openai import OpenAIfrom langchain.agents 创建SQL工具箱toolkit = SQLDatabaseToolkit(db=db, llm=llm) # 4. 王五 - wangwu@example.com4. 赵六 - zhaoliu@example.com5.
95021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？ 测试执行引擎（Test Executor） 4. 记忆与反馈系统（Memory & Feedback） 5. 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。
41100编辑于 2026-02-11 Langchain4j-03
Eviction policy 驱逐策略Persistence 持久化SystemMessage 特殊处理Special treatment of tool messages 殊处理工具消息注意：LangChain4j ;import dev.langchain4j.model.chat.ChatModel;import dev.langchain4j.model.openai.OpenAiChatModel;import dev.langchain4j.service.AiServices;import dev.langchain4j.service.MemoryId;import dev.langchain4j.service.UserMessage ;import static dev.langchain4j.model.openai.OpenAiChatModelName.GPT_4_O_MINI;public class ServiceWithMemoryForEachUserExample 目前，LangChain4j 提供了 2 种开箱即用的实现：MessageWindowChatMemory：作为一个滑动窗口，保留最近的 N 条消息，并淘汰不再适合的旧消息TokenWindowChatMemory
30810编辑于 2025-10-16Langchain4j-02
AI Services & ChainsAIServices 和 Chains都是 langserver4j中提供的高级API。 所以Langchain4j提供了高级API来简化开发。Chains链的概念起源于 Python 的 LangChain。在Langchain4j中已经逐渐不再维护。转而定义了AiService。 这种方法与 Spring Data JPA 非常相似：声明性地定义一个具有所需 API 的接口，LangChain4j 提供了一个实现此接口的对象（代理）。
25010编辑于 2025-10-16Langchain4j-01
官网：https://docs.langchain4j.dev/ *本文大部分内容来源于官网*ChatModelChatModel 是 LangChain4j 中与 LLMs 交互的低级 API，提供最强大的灵活性和功能 ChatModel核心方法：https://docs.langchain4j.dev/apidocs/dev/langchain4j/model/chat/ChatModel.html可以看到，ChatModel 4、CustomMessage ：这是一条自定义消息，可以包含任意属性。此消息类型只能由支持它的 ChatModel 实现（目前只有 Ollama）使用。 在此查看：https://docs.langchain4j.dev/integrations/language-models使用方式：UserMessage userMessage = UserMessage.from
38510编辑于 2025-10-16Langchain4j-04
在Langchain4j中有三种方法可以实现这一点（从可靠到不可靠）：JSON SchemaPrompting + JSON Mode PromptingJSON Schema低级API下使用方式：ResponseFormat = OpenAiChatModel.builder() .apiKey(System.getenv("OPENAI_API_KEY")) .modelName("gpt-4o-mini AZURE_OPENAI_URL")) .apiKey(System.getenv("AZURE_OPENAI_API_KEY")) .deploymentName("gpt-4o-mini AZURE_OPENAI_URL")) .apiKey(System.getenv("AZURE_OPENAI_API_KEY")) .deploymentName("gpt-4o-mini .modelName("gemini-1.5-flash") .supportedCapabilities(RESPONSE_FORMAT_JSON_SCHEMA) // see [4]
22710编辑于 2025-10-16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 , HumanMessage(content="介绍一下长城")]4.调用大模型并获取返回结果response = chat_model.invoke(messages)# 输出模型的响应结果print 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【Langchain4J框架】
Langchain4J是一个基于Java语言开发的区块链框架，它提供了一系列的工具和接口，帮助开发者快速搭建和部署区块链应用。 Langchain4J框架的设计灵感来源于区块链技术的快速发展和应用需求的日益增长，它致力于简化区块链开发过程，提高开发效率和可靠性。 在Langchain4J框架中，核心的功能模块包括：区块链网络管理、智能合约支持、交易处理、安全认证等。 构建示例应用：通过构建简单的示例应用来练习使用Langchain4J框架，可以帮助加深对框架的理解，并检验自己的学习成果。 总的来说，通过深入学习Langchain4J框架的源码并实践构建应用，有助于提升自己的区块链开发能力，同时也可以为社区贡献自己的经验和见解。
29110编辑于 2025-08-29Langchain4j-05
使用示例： import dev.langchain4j.agent.tool.Tool; import dev.langchain4j.memory.chat.MessageWindowChatMemory ; import dev.langchain4j.model.chat.ChatModel; import dev.langchain4j.service.AiServices; import dev.langchain4j.service.spring.AiService ; import jakarta.annotation.Resource; import lombok.extern.slf4j.Slf4j; import org.springframework.stereotype.Service ; @Service @Slf4j public class ServiceWithToolsExample { @Resource private ChatModel
26810编辑于 2025-10-16- 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。 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Langchain
【LangChain系列4】【Chain模块详解】
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 1-4、langchain解决的一些行业痛点在使用大模型的过程中，一些行业痛点：大模型的使用规范以及基于大模型的开发范式不尽相同，当使用一个新模型时，我们往往需要学习新的模型规范。 1-5、安装pip install langchain二、Chain模块2-1、介绍LangChain的chain模块是其框架中用于构建智能对话和任务式应用的核心组件之一，主要负责流程控制和数据传递。 SimpleSequentialChain：一个简单的顺序执行链，用于按顺序执行一系列步骤SequentialChain：一个顺序链，可以包含多个步骤，每个步骤可以是另一个链RouterChain：用于智能路由决策 2-4、Transform ChainTransform Chain: 主要用于对数据进行转换处理，然后再将转换后的结果输出给后续的处理链。
3.4K10编辑于 2025-01-08 智能体的第4个阶段，到来了！
随着类似项目的越来越成熟，我能感觉到，智能体的第4个阶段，已经到来了。 智能体的前3个阶段 这里所说的智能体，主要是指基于LLM的智能体，因为Agent这个词进入大众视野，是LLM得到广泛认可后才火的，在此前的AI发展历程中，人们并不是很认可Agent技术路线，直到LLM的出现 这一阶段的智能体，实现了初级工具集成，在字节的coze平台上，智能体把官方和用户们共同提供的插件作为工具，智能体可以自主决定使用哪一个工具作为本次对话的执行。 第3阶段：多智能体架构 当开发者们发现，特定提示词配合特定工具集时，智能体能在某些方面表现的非常优异，而多加或少加工具，都会让智能体性能大打折扣，于是他们决定，由多个智能体打包成一个复合智能体来向用户提供通用性的智能体产品 MCP协议的出现，打破了这种智能体无法调用本地软件的窘境，智能体无法操作软件的情况可能会慢慢成为过去式。
26810编辑于 2025-12-29LangChain4j 项目概览
架构图 - 完整的模块依赖和功能分层 功能模块详解 核心模块 (Core Modules)模块功能描述状态langchain4j-core 提供所有核心接口、抽象类和基础功能✅ 稳定langchain4j 主要的用户接口和高级功能实现✅ 稳定langchain4j-test 测试工具和模拟实现✅ 稳定langchain4j-kotlin Kotlin 语言的专用扩展✅ 稳定 LLM 提供商集成 (Model Providers) 主流提供商OpenAI langchain4j-open-ai - 社区版本langchain4j-open-ai-official - 官方 SDK 版本Microsoft Azure ☁️ langchain4j-azure-open-ai - Azure OpenAI 服务Google langchain4j-vertex-ai - Vertex AI 平台langchain4j-vertex-ai-gemini - Gemini 模型专用langchain4j-google-ai-gemini - Google AI GeminiAmazon ️ langchain4j-bedrock - AWS Bedrock
1K11编辑于 2025-07-03
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