乐东黎族自治县网站建设_网站建设公司_网站建设_seo优化

本文详细介绍了LangChain、Agent和RAG三者的关系及协同工作方式。LangChain作为代码驱动的开发框架，适合高度定制化的复杂AI应用开发。文章系统讲解了如何使用LangChain开发Agent智能体，包括工具使用、Agent类型选择、记忆管理和执行链设计。同时，详细阐述了在LangChain中接入RAG的流程，包括数据索引构建、检索器封装和工具链整合，帮助开发者构建更智能、更准确的大模型应用。

简单一句话，Agent像工厂里的项目经理，负责把生产任务规划做起来，它具备记忆、规划、操作工具、反思等能力；

而LangChain是流水线工人，负责把原料知识加工成答案，他们是工厂的基石，也是运作的核心，项目经理正好把他们串起来;

RAG呢，则可以理解为流水线工人需要查找知识时的一个图书室管理员，帮忙快速把企业内各种文档内的知识通过语义的方式快速找到，提供给工人去参考。RAG也可以作为智能体调用的工具。

LangChain是开发框架，提供基础设施，开发者可以在其中嵌入RAG技术用来做知识检索增强，同时还可以创建Agent实现智能决策和执行。

LangChain框架详解

我们首先重点介绍下LangChain这个开发框架，它是一个基于大语言模型的开源框架，通过模块化设计和丰富的组件库，目的是为了简化AI应用的开发过程。但它跟Dify、Coze等AI工具开发平台还不太一样。

框架定位对比

LangChain的定位是代码驱动的开发工具，适合需要高度定制化功能的场景。用户需通过 Python 编写代码，灵活组合模块（如记忆管理、RAG、Agent 等）构建复杂应用 。它更适合技术团队，尤其是需要结合多模型、多数据源的高阶开发者，这样拥有了更多的灵活度，以及更方便开发一些高级智能体。

而Dify一类则强调低代码开发，通过拖拽组件快速搭建 AI 应用（如聊天机器人、知识库问答）。用户无需编码即可完成模型集成、知识库配置和工作流编排 。更适合需要快速落地的业务场景，以及给一些没有编程经验的人做AI应用。

技术提示：RAG和Agent之间的关系还比较好理解，开发Agent的过程中，是可以选用RAG来外挂知识库，从而更多地依赖知识库内置文档内容来回答，而不是利用大模型的内部知识，从而可以更有效地减少回答的"幻觉"。

一、如何用LangChain框架来做Agent智能体开发？

接下来我们来大致看看这个流程。
首先默认你已经装好了LangChain核心库，并配置好了大语言模型。然后我们可以使用内置工具。

1、使用工具API。

直接调用 LangChain 提供的 60+ 工具，如计算器、搜索引擎、维基百科等。

from langchain.agentsimportload_tools tools=load_tools(["llm-math","wikipedia"],llm=llm)

当然你也可以通过函数封装业务逻辑，来创建自定义的工具，比如下面这个例子是创建一个股票查询的工具的demo：

from langchain.toolsimporttool @tool("股票分析工具")def stock_analysis(symbol: str)->dict:returnyfinance.Ticker(symbol).info# 调用金融数据API

2、选择Agent类型。

LangChain也提供了Agents类，可根据场景选择预置类型（如 chat_zero_shot_react_description 适合聊天模型）：

from langchain.agentsimportAgentType, initialize_agent agent=initialize_agent(tools, llm,agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,verbose=True# 显示执行过程)

3、配置记忆管理。

LangChain还提供了Memory类，可添加对话历史记忆模块，支持短期（窗口缓存）和长期（向量数据库）记忆，并绑定到Agent上：

from langchain.memoryimportConversationBufferWindowMemory memory=ConversationBufferWindowMemory(k=5)# 保留最近5轮对话agent.memory=memory# 绑定到Agent

4、执行链（Chains）设计与优化。

利用LangChain的Chains类，编排任务流程，将 Agent 与数据处理、检索增强生成（RAG）等模块串联，形成自动化链路：

from langchain.chainsimportSequentialChain chain=SequentialChain(chains=[data_loader_chain, agent_execution_chain, report_generator_chain],input_variables=["user_query"])

二、如何在LangChain中接入RAG？

在 LangChain 中为智能体（Agent）集成 RAG 知识库检索，同样只需通过数据索引构建，检索器封装，工具链整合三步实现即可。

虽然不如Dify那样内置好了RAG，但是LangChain有着极高的灵活度，比如允许开发者混合使用稠密检索（BM25）和图检索（GraphRAG），甚至可以自定义重排序算法。

接下来我们来举个例子来看如何在LangChain中接入RAG。

1、数据索引构建和知识库预处理

首先使用 LangChain 的文档加载器读取本地或网络资源（如 PDF、TXT、网页）：

from langchain.document_loadersimportPyMuPDFLoader loader=PyMuPDFLoader("manual.pdf")docs=loader.load()# 加载技术手册文档

接着将长文档切割为适合检索的片段，目的是为了避免超出模型上下文窗口：

from langchain.text_splitterimportRecursiveCharacterTextSplitter# BGE-m3 支持 8192 token 长文本，可增大分块尺寸text_splitter=RecursiveCharacterTextSplitter(chunk_size=2000,chunk_overlap=400,separators=["\n\n","\n","。","！","？"]# 按段落和句子分割)splits=text_splitter.split_documents(docs)

接着使用嵌入模型将文本转为向量，存入向量数据库：

from langchain_community.embeddingsimportHuggingFaceBgeEmbeddings from langchain_milvusimportMilvus from langchain.document_loadersimportTextLoader# 1. 初始化BGE嵌入模型model_name="BAAI/bge-m3"embeddings=HuggingFaceBgeEmbeddings(model_name=model_name,model_kwargs={"device":"cpu"},# GPU用户改为"cuda"encode_kwargs={"normalize_embeddings":True},query_instruction=""# bge-m3必须设置空字符串)# 3. 连接Milvus并创建集合vector_db=Milvus(embedding_function=embeddings,connection_args={"host":"localhost","port":"19530"},collection_name="bge_demo",index_params={"metric_type":"IP",# 内积相似度"index_type":"HNSW","params":{"M":16,"efConstruction":64}})# 4. 插入向量数据vector_db.add_documents(texts)

2.检索器封装成智能体工具：

我们先创建一个混合检索器，并将向量库转为检索工具：

# 2. 创建混合检索器（语义+关键词）from langchain.retrieversimportBM25Retriever, EnsembleRetriever# 语义检索（Milvus）semantic_retriever=vector_db.as_retriever(search_kwargs={"k":5,"score_threshold":0.7}# 返回Top5且相似度>0.7)# 关键词检索（BM25）bm25_retriever=BM25Retriever.from_documents(splits)# 混合检索器hybrid_retriever=EnsembleRetriever(retrievers=[semantic_retriever, bm25_retriever],weights=[0.7,0.3]# 语义检索权重70%)

接着定义RAG工具函数，将检索器封装为智能体可调用的工具：

# 3. 封装为智能体工具from langchain.toolsimporttool @tool("Milvus知识库检索工具")defmilvus_rag(query: str)->str:"""使用BGE-m3和混合检索策略查询技术文档""" docs=hybrid_retriever.invoke(query)return"\n\n".join(f"[来源：{doc.metadata.get('source', '未知')}]\n{doc.page_content}"fordocindocs)明确工具用途和输入格式，避免智能体误调用：# 优化工具描述milvus_rag.description="""用于查询技术文档库，输入应为自然语言问题。 支持故障代码（如'E102'）、操作步骤等检索。示例：'如何重置设备？'"""

3.智能体工具链整合：

先加载工具集，将 RAG 工具与其他工具（如计算器、API 接口）合并：

# 1. 加载工具集from langchain.agentsimportload_tools tools=[milvus_rag]+ load_tools(["llm-math","requests"],llm=llm# 需提前初始化大模型（如ChatOllama）)

再初始化智能体，选择支持多工具协作的 Agent 类型（如 STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION）：

# 2. 初始化支持混合检索的智能体from langchain.agentsimportAgentType, initialize_agent agent=initialize_agent(tools, llm,agent=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION,verbose=True,max_iterations=5# 限制最大调用次数)

最后我们试个动态调用示例，用户提问时，智能体自动触发 RAG 检索：

# 3. 动态调用示例response=agent.run("设备报错E102，如何解决？")# 执行流程：# 1. 调用RAG工具检索"E102"相关文档# 2. 结合检索结果生成解决方案

以上就是RAG、LangChain和Agent三者关系的总结，以及教你如何在LangChain框架中做智能体开发和接入RAG的主要步骤，欢迎留言探讨交流。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

大模型入门到实战全套学习大礼包

1、大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

2、大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

3、AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

4、大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

5、大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

适用人群

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】