相关文章
289 篇高质量内容
LangChain 1.0的深度解析
LangChain 1.0重磅升级，企业级智能体开发从此大不同！ 核心内容： 1. 统一抽象层重构与Middleware机制，大幅提升开发效率 2. 持久化能力突破，智能体可自动恢复执行现场 3. 标准化输出架构显著降低跨平台适配成本
LangSmith+LangGraph本地化部署与离线调试全流程
本地化部署LangSmith+LangGraph，解决企业数据合规与开发连续性难题，这份全流程指南助你轻松实现离线调试。 核心内容： 1. 企业为何需要本地化部署LLM开发环境：数据合规与开发连续性的双重需求 2. 三种部署模式技术选型对比：从独立服务器到Kubernetes集群的适用场景分析 3. 实战四阶段部署指南：从环境准备到完整部署的详细操作步骤
Spring AI Alibaba/Dify/LangGraph/LangChain 一文讲清四大AI框架怎么选
Java开发者福音！四大AI框架对比指南，帮你快速找到最适合团队的技术方案。 核心内容： 1. 四大框架的定位与适用场景速览 2. 技术选型决策的关键维度分析 3. 不同团队背景下的最佳实践建议
Langchain 、 Manus 组了一个研讨会：Agent越智能，死得越快！
Agent越智能反而死得越快？揭秘上下文膨胀的致命陷阱与Manus的极简解法。 核心内容： 1. Agent性能悖论：上下文膨胀导致模型质量下降 2. 五大解决方案与压缩/总结的本质区别 3. Manus的极简架构哲学：做减法比堆功能更重要
LangChain V1.0 深度解析：手把手带你跑通全新智能体架构
LangChain V1.0重磅发布，全新智能体架构让开发更高效统一，告别"玩具"时代！ 核心内容： 1. create_agent()成为构建智能体的标准入口，封装底层执行流程 2. middleware机制简化开发，提升生产环境适用性 3. 参数命名与路径迁移，需注意版本升级的重构要点
LangChain 与 LangGraph 双双发布 1.0：AI 智能体框架迎来里程碑时刻！
两大开源AI智能体框架LangChain与LangGraph同时发布1.0版本，为开发者带来更稳定、灵活的生产级应用支持。 核心内容： 1. LangChain与LangGraph的定位与协同关系 2. LangChain 1.0的核心升级：create_agent抽象与中间件系统 3. LangGraph 1.0的持久化运行时与生产级智能体支持
AI 不再“乱跑”：LangChain × LangGraph 打造可控多阶段智能流程
LangChain与LangGraph强强联手，教你打造高效可控的AI工作流，告别LLM的随机性困扰。 核心内容： 1. LangGraph如何为LangChain提供结构化工作流引擎 2. 三步骤文本摘要管道的完整实现过程 3. 关键参数调优与状态管理的最佳实践
LangChain对话Manus创始人：顶级AI智能体上下文工程的“满分作业”首次公开
LangChain与Manus创始人深度对话，首次公开AI智能体上下文工程的五大黄金策略，破解"上下文腐烂"难题。 核心内容： 1. AI智能体面临的"上下文腐烂"危机及其成因分析 2. 五大核心策略：卸载、缩减、隔离、检索、缓存 3. 实现模型与应用最佳平衡的实践方法与行业洞见
Langchain回应OpenAI：为什么我们不做拖拉拽工作流
LangChain创始人深度解析：为何可视化工作流并非AI开发的终极答案，智能体才是未来方向。 核心内容： 1. 工作流与智能体的本质区别：可预测性VS自主性 2. 可视化工作流构建器的两大核心痛点：使用门槛与复杂度管理 3. AI开发的三层解决方案：无代码智能体→无代码工作流→代码工作流
AI Agent 软件工程关键技术综述
探索AI Agent开发的两大核心框架：LangChain与LangGraph的差异与应用场景，助你高效构建智能应用。 核心内容： 1. LangChain与LangGraph的核心区别：静态链式工作流 vs 动态分支工作流 2. 两大框架的典型应用场景与协同工作方式 3. 学习路径建议与基础语法示例
我为啥现在如此热衷于LangGraph智能体开发
LangGraph为何成为智能体开发的首选？从快速开发到企业级应用，一文解析其独特优势。 核心内容： 1. 当前智能体开发的四大阵营及其局限性分析 2. LangGraph在生产环境中的核心优势与特点 3. 从简单聊天机器人到复杂多智能体系统的演进路径
沧海独家：LangChain 1.0 Alpha 架构重构全解析
LangChain 1.0 Alpha 迎来重大架构重构，从复杂链式组件转向智能体优先的现代设计理念。 核心内容： 1. 架构精简：主包围绕LangGraph智能体重新搭建，大幅简化复杂度 2. 品牌统一：商业产品可能统一到LangSmith品牌下 3. 文档整合：开源框架和商业产品文档将集中到统一文档站
从LangChain到LangGraph：AI智能体提示词工程的系统化学习
从LangChain到LangGraph，揭秘如何通过提示工程打造更智能的AI代理，实现多步骤推理与动态决策！ 核心内容： 1. LangChain提示模板的基础应用与进阶技巧 2. 聊天模板设计实现复杂对话体验 3. 动态消息历史保持上下文的关键实现
Agent实战教程：LangGraph相关概念介绍以及快速入门
探索LangGraph：Agent开发的新利器，文档完善且资源丰富，助你快速上手智能体编排。 核心内容： 1. LangGraph在Agent框架中的优势与资源丰富性 2. 使用LangGraph前的准备工作与基础概念解析 3. 后续实践计划与有趣应用搭建方向
企业级复杂任务智能体构建：解锁LangChain新品Deep Agents及其UI利器
LangChain最新推出的Deep Agents及其UI工具，为企业级复杂任务智能体搭建带来革命性突破。 核心内容： 1. 浅层智能体的局限性及企业级场景挑战 2. Deep Agents的创新架构与深度推理能力 3. Deep Agents UI如何简化部署并提升交互体验
使用LLamaIndex Workflow来打造水墨风格图片生成工作流
打造东方水墨风格插画生成工作流，用LLamaIndex Workflow实现精细控制与高效优化。 核心内容： 1. 使用LLamaIndex Workflow搭建水墨风格图片生成流程 2. 结合chainlit和deepseek实现多轮对话调整与成本优化 3. 企业级智能体应用开发实践与业务流程图设计
让 LangChain 知识图谱抽取更聪明：BAML 模糊解析助力升级
BAML的模糊解析技术让LangChain知识图谱抽取成功率从25%飙升到99%，彻底解决非结构化数据处理的痛点。 核心内容： 1. LangChain严格JSON解析的局限性分析 2. BAML模糊解析技术原理与集成方法 3. 实验数据对比与Neo4j图谱分析实践
Manus、LangChain一手经验:先别给Multi Agent判死刑,是你不会管理上下文
Multi-Agent技术路线之争背后，核心是如何高效管理上下文窗口。本文详解LangChain等团队的四大工程化策略。 核心内容： 1. Multi-Agent技术路线争议的本质分析 2. LangChain提出的上下文工程四大核心策略 3. 各策略在实际应用中的最佳实践案例
关于Langchain/Langgraph框架的流式与非流式返回——invoke/ainvoke/stream/astream
Langchain/Langgraph框架揭秘：流式与非流式返回的本质是底层大模型能力的体现。 核心内容： 1. 框架方法invoke/ainvoke/stream/astream的底层原理剖析 2. 同步/异步与流式/非流式返回的技术实现机制 3. 从框架使用中领悟的技术认知误区与正确学习路径
LangChain+BAML：打造99.4%成功率的知识图谱构建方案
突破知识图谱构建瓶颈！LangChain+BAML组合将抽取成功率提升至99.4%，彻底解决非结构化数据处理难题。 核心内容： 1. LangChain在知识图谱构建中的局限性分析 2. BAML模糊解析技术的突破性优势 3. 完整实现方案与Neo4j图数据库集成案例