Windows和Linux中Langchain-chatchat0.3.1.3部署
langchain-chatchat部署
LangChain实现文档检索和增强生成的示例
在这篇博客中，我们将介绍如何使用LangChain和Chroma来实现文档的检索和增强生成。我们将以一个具体的实例来展示这一过程，具体代码如下（修改自官方文档。
【大模型从入门到精通33】开源库框架LangChain RAG 系统中的问答技术3
实验可以帮助确定哪种技术最适合特定的应用场景。传递所有检索到的文档片段到语言模型（LM）上下文窗口的局限性包括上下文窗口大小的限制，这可能导致相关信息的丢失。在 RAG 系统中使用向量数据库（VectorDB）进行文档检索的重要性在于它能高效地存储和检索文档嵌入，从而实现对用户查询相关文档的快速准确
AI系统性学习—LangChain入门
LangChain是一个开源的Python库，它提供了构建基于大模型的AI应用所需的模块和工具。通过LangChain，开发者轻松地与大语言模型（LLM）集成，完成文本生成、问答、翻译、对话等任务。LangChain降低了AI应用开发的门槛，让任何人都可以基于LLM构建属于自己的创建应用。LLM和P
检索增强生成RAG系列9--RAG开源开发框架
当然还有许多优秀的框架没有介绍，有些可能也跟RAG相关比如open-webui等，这里就不一一列举。无论你使用较为底层Langchain或者LlamaIndex，还是使用dify较为低代码方式构建你的RAG，都是要根据你的业务场景来决定选择哪些开发框架。这里只是提供对于相关实践信息供大家参考，主要是
为什么要放弃LangChain：从生产力工具到阻碍
在AI开发工具的生态系统里，LangChain一直是一个备受争议的产品。一些开发者欣赏其丰富的工具、组件和易于集成的特点，另一些开发者则认为其复杂的抽象和嵌套抽象反而成为了开发的障碍。本文将结合Fabian Both的实际经验，详细探讨为什么他的团队最终决定放弃LangChain，以及如何开发大模型
LangChain-10(2) 加餐 编写Agent获取本地Docker运行情况 无技术含量只是思路
这里是通过执行 Shell的方式来获取状态的。通过执行`Docker`指令之后，可以获取到一大段的文本内容，此时把这些内容交给大模型去处理，大模型对内容进行提取和推理，最终回答我们。- `注意@tool注解，没有这个注解的话，无法使用`- `注意要写"""xxx""" 要写明该工具的介绍，大模型将根
在亚马逊云科技上通过LangChain ReAct Agent开发金融多模态数据AI分析中台
Amazon SageMaker 是亚马逊云科技提供的一站式机器学习服务，帮助开发者和数据科学家轻松构建、训练和部署机器学习模型。SageMaker 提供了全面的工具，从数据准备、模型训练到部署和监控，覆盖了机器学习项目的全生命周期。通过 SageMaker，用户可以加速机器学习模型的开发和上线，并
【可能是全网最丝滑的LangChain教程】十九、LangChain进阶之Agents
LangChain 的代理（Agents）模块允许开发者使用语言模型作为推理引擎，以动态确定执行的一系列动作，而不是硬编码这些动作。
开源模型应用落地-LangChain高阶-记忆组件-RedisChatMessageHistory正确使用（八）
如何正确使用RedisChatMessageHistory组件
【AI基础】第四步：保姆喂饭级-langchain+chatglm2-6b+m3e-base
保姆喂饭级，手把手安装langchain,使用大模型chatglm2-6b和嵌入模型m3e-base。
LangChain调用tool集的原理剖析（包懂）
在聊天场景中，针对用户的问题我们希望把问题逐一分解，每一步用一个工具得到分步答案，然后根据这个中间答案继续思考，再使用下一个工具得到另一个分步答案，直到最终得到想要的结果。这个场景非常匹配langchain工具。在langchain中，我们定义好很多工具，每个工具对解决一类问题。然后针对用户的输入，
利用亚马逊云科技Bedrock和LangChain开发AI驱动数据分析平台
Amazon Bedrock 是亚马逊云科技推出的一项生成式 AI 服务，旨在帮助开发者轻松访问和部署各种强大的基础模型（Foundation Models），如文本生成、对话生成、图像生成等。通过 Amazon Bedrock，开发者可以快速构建、定制和扩展 AI 应用程序，而无需从零开始训练模型
Langchain-Chatchat3.1版本docker部署流程——知识库问答
langchain-chatchat3.1 docker部署 知识库问答篇
从头开始搭建 Langchain-Chatchat 0.3x
langchain-chatchat 0.3x 从零开始本地部署搭建，rag本地知识库学习
Langchain--如何使用大模型 2.0
我们除了可以使用Langchain进行模型对话、提示词创作、嵌入模型，还可以使用其他的组件对大模型封装使用，打造我们自己的大模型。
Langchain-Chatchat 0.3.1保姆级部署教程
Langchain-Chatchat是一个基于 ChatGLM、Qwen 等大语言模型与 Langchain 等应用框架实现，开源、可离线部署的 RAG 与 Agent 应用项目。目前支持Agent、LLM对话、知识库对话、搜索引擎对话、文件对话、数据库对话、多模态图片对话、ARXIV文献对话、Wo
LangChain4j-RAG基础
对于矢量搜索，这通常涉及清理文档，用额外的数据和元数据丰富它们，将它们分成更小的片段（也称为分块），嵌入这些片段，最后将它们存储在嵌入存储（又称为矢量数据库）中。这里需要结合官方的示例学习, Metadata算是一个很重要的东西, 可以按照我们想要的方式把不同的文档数据进行隔离和过滤, 这样可以实现
开源模型应用落地-LangChain高阶-智能体探究-创建agent（四）
学习如何使用initialize_agent或create_json_chat_agen t创建agent
【AI开发】Langchain基础
目前只定义了一个最基础的@propertydef _call(self,) -> str:pd = prompt.find("吗")return "哦."print(llm)llm("你好吗")
