Agent(智能体): AI执行任务的“代理人” 在熟悉了RAG和LangChain的技术原理后,让我们继续探讨AI Agent的核心概念。Agent本质上是一个具备环境感知、自主决策和行动执行能力的智能系统。 就像它的英文原意所示,Agent扮演着智能代理人的角色,能够"理解"用户制定的业务流程和规则,并基于自身逻辑来协调处理复杂的任务序列。
在单个文档/知识库的多个RAG引擎之上设置一个ToolAgent,把RAG引擎作为该Agent的tools,并利用LLM的能力由ToolAgent在自己“负责”的文档内使用这些tools来回答问题 设置一个总的顶级代理TopAgent来管理所有的低阶ToolAgent,将ToolAgent看作自己的tools,仍然利用LLM来规划、协调、执行用户问题的回答方案 以下使用LlamaIndex...
2025年最新、最硬核LangChain+DeepSeek v3全栈开发的课程,8小时超长合集,带领大家从零掌握LangChain全栈开发技能,覆盖RAG、LCEL、Multi-Agent等核心模块,结合DeepSeek v3模型实现企业级AI应用落地! ✅置顶评论扫码加入【赋范大模型技术社区】,领【本视频完整课件】,以及更多【海量硬核独家技术干货】内容+无门槛技术...
2025史上最强(LangChain+大模型微调+DeepSeek+RAG实+Agent)大模型全套教程,通俗易懂,从入门到面试,学完即就业!拿走不谢!!共计61条视频,包括:1.LangChain快速入门与底层原理、2.基于DeepSeek来实现RAG项目实战(使用 Llamalndex 构建企业私有知识库、3.LangChain提示
RAG是一种通过额外的、通常是私有或实时的数据来增强LLM知识的技术。LLM能够推理各种广泛的主题,但它们的知识仅限于它们训练时的公共数据,到达其特定时间节点为止。如果你想构建可以推理私人数据或在模型截止日期之后引入的数据的人工智能应用程序,你需要用特定信息增强模型的知识。将适当的信息带入并插入到模型提示中的...
2.提示工程、RAG与微调 3.从技术角度看检索部分的Pipeline 4.从用户角度看RAG流程 5.RAG和Agent 6.通过Llamalndex的ReAct RAG Agent实现检索 7.获取井加载电商的财报文件 8.将财报文件的数据转换为向量数据 9.构建查询引擎和工具 10....
以下就是我们这个会话式 RAG 系统的架构图了: 引入Agent Agent 利用 LLM 的推理能力在执行过程中做出决策。使用 Agent 可以让你在检索过程中减轻一些判断力。尽管它们的行为比链更难预测,但它们在这种情况下具有一些优势: Agent 直接生成检索器的输入,而不一定需要我们明确构建上下文,就像我们上面所做的那样; ...
LangGraph 是 LangChain 的扩展,旨在创建 agent 和 multi-agent flows。它增加了创建循环流的能力,并内置了内存 (这两个属性对于创建代理都很重要)。 LangGraph 为开发人员提供了高可控性,对于创建自定义 agent 和 flows 非常重要。几乎所有生产环境中的 agent 都是针对特定用途场景进行自定义的。LangGraph 为您提...
LangGraph应用:增强的RAG应用 LangGraph应用:自修复代码助手 LangGraph应用:Multi-Agent系统 LangGraph应用:构建Web Agents 由于官方文档较为晦涩,加上LangChain一贯的“重量级”风格。为了更好地帮助深入浅出的理解LangGraph,并照顾到没有LangChain基础的朋友,我们首先来了解一些“预备知识”。
一、RAG介绍 RAG（Retrieval Augmented Generation）即检索增强生成，是一种结合了信息检索和大语言模型（LLM）生成能力的技术，旨在解决大语言模型在回答问题时，因知识更新不及时、缺乏特定领域知识或事实性错误等问题，通过在生成回答之前检索相关外部知识源来增强回答的准确性和可靠性。1.工作原理 检索阶段：当用户提出...