Answer1215

摘要： 上一节我们体验了“手动维护聊天记录”，每次都要： 把用户发言添加到 history 把模型输出添加到 history 每轮都手动调用 getMessages() 构造上下文 await history.addMessage(new HumanMessage(input)); await histor 阅读全文

摘要： 大模型本身是无状态的，每次调用都只看当前输入。如果要在多轮对话中维持上下文，就需要 Memory 模块来存储和管理对话历史。 LangChain.js 针对 Memory 提供了多个工具类，先来学习最常用的 ChatMessageHistory 快速上手案例： import { ChatMessag 阅读全文

摘要： RAG 标准流程： 索引：外挂知识库 检索 生成 Advanced RAG 针对上述 3 个阶段做了优化。例如检索阶段，新增了 检索前处理 以及 检索后处理。 检索前处理： 查询转换 查询扩充 ...... 查询扩充（Query Expansion） 在不改变用户意图的前提下，添加相关词语或同义表达 阅读全文

摘要： 回忆 RAG 关键步骤： 文本切割 嵌入处理 存储向量数据库 向量数据库可以分为这几种类型： 内存型 本地自托管 云托管 LangChain 内置了 MemoryVectorStore，这就是一个内存型向量库，用于将文档向量存储到内存中，适合本地调试、快速演示，零依赖、即插即用。 MemoryVec 阅读全文

摘要： 回忆 RAG 关键步骤： 文本切割 嵌入处理 存储向量数据库 嵌入处理，又称之为向量化操作。核心就是将文本转为向量的形式，从而为下一步做数学运算做准备。 "今天的天气真好，万里无云" [ 0.3297254741191864, 0.7386181354522705, -3.3423418998718 阅读全文

摘要： 为什么需要切割？ 回忆一下 RAG 的流程： 用户提问 从知识库检索相关内容 将检索到的内容和用户问题一起交给模型推理 如果文档不切割，检索阶段就只能以整篇为单位，长文会超出模型的 Token 限制，无法一次性送进模型。 快速上手 如何切割？ 最通用的是使用 RecursiveCharacterTe 阅读全文

摘要： CheerioWebBaseLoader 作用是抓取指定网页并解析 HTML 内容，提取需要的纯文本数据。 这个 Loader 底层依赖 cheerio，语法类似 jQuery，可以方便地选择 HTML 元素并提取内容，适用于解析静态 HTML 网页。 pnpm add @langchain/com 阅读全文

摘要： 很多时候，我们需要加载额外的数据，比如 RAG 架构中，需要外挂知识库。 外部数据的形式千差万别：可能是一份 PDF 文件、一张表格、一段代码，甚至是来自网络的实时信息。针对这些需求，LangChain 提供了一整套开箱即用的 Loader 工具，帮助我们高效地加载各种结构化或非结构化的数据，并统一 阅读全文

摘要： 所谓条件路由（Conditional Routing），就是在一条 AI 推理/数据处理流水线里，先依据输入内容、上下文或运行时信号做一次判别，再把请求分发到不同的子流程（链）上执行。本质上是受控的 if/else：先“判别”，再“选择”，最后“执行”，避免“一个提示词走天下”。 在 LangCha 阅读全文

摘要： RunnableSequence .pipe() 是逐个拼接，RunnableSequence.from([...]) 则是显式声明流程结构，将多个步骤写成数组更清晰。 课堂练习：快速上手示例 import { ChatOllama } from "@langchain/ollama"; impor 阅读全文