xhj的博客

19 - RAG 检索增强生成 本章课程目标： 把 第 2 章 RAG-搭建企业私有/个人知识库 里建立的 RAG 与知识库直觉，继续推进到 LangChain 代码实现层。 掌握 LangChain 中构建 RAG 最常见的几类组件：文档加载器、文本分割器、嵌入模型、向量数据库、检索器、提示词模板与聊天模型。 跑通并理解本章全部案例：多种文档加载、文本切分、Redis 向量检索、完整 RAG 智能运维助手，把 第 18 章 向量数据库与 Embedding 实战 的内容真正串成一个可落地的问答系统。 学习建议： RAG 最好分成两段看：离线把文档处理成可检索知识，在线根据用户问题召回并组装上下文。读本章时可以用两种颜色标出来：哪些代码属于“建库”，哪些代码属于“问答”。文档加载、切分、Embedding、向量库、Prompt 这些组件的位置清楚了，换任何框架都能读懂。 官方文档与资源：详见 工具导航与参考资料索引 - RAG与向量检索。 1、RAG 简介1.1 定义 如果你已经读过 第 2 章，那么这里可以不再从“知识库产品怎么用”重新讲起，而是直接把 RAG ...

18 - 向量数据库与 Embedding 实战 本章课程目标： 理解 向量（Vector）、向量化（Embedding）、向量数据库（Vector Store / Vector Database） 这三件事分别是什么，以及它们之间的关系。 建立一条清晰主线：文本先向量化，再写入向量库，再做相似性检索；学完本章后，可以自然衔接到 第 19 章 RAG 检索增强生成。 学习建议： 这章先画链路，再看代码：文本经过 Embedding 模型变成向量，向量进入数据库，查询时再用相似度找回来。API 名称可以后记，但要弄清“存进去的是什么、查出来的是什么、相似度为什么能代表相关性”。如果有余力，用两三条短文本手算或打印一次相似度，会比空背概念扎实。 官方文档与资源：详见 工具导航与参考资料索引 - RAG与向量检索。 1、向量与向量化1.1 向量的定义向量（Vector） 本来是数学概念，指的是：用一组有顺序的数字来表示某个对象在空间中的位置或特征。 比如： 二维向量可以写成 (x, y) 三维向量可以写成 (x, y, z) 在 AI 场景里，常见的是几百维、上千维的...

17 - Tools 工具调用 本章课程目标： 理解 Tool（工具）、Tool Calling（工具调用）、Function Calling（函数调用） 分别是什么，建立“模型负责决策，程序负责执行”这条最核心的分工认知。 掌握使用 @tool 装饰器定义 LangChain 工具，会配合 Pydantic 编写参数 schema，并能看懂 name、description、args、tool_calls、ToolMessage 这些关键对象。 跑通并理解本章全部案例：基础加法工具、Pydantic 参数 schema、天气查询工具、天气助手完整链路，为后续 记忆与对话历史、Agent 智能体、MCP 模型上下文协议 打基础。 学习建议： 学工具调用时先守住边界：模型负责判断要不要调用工具和填参数，程序负责真正执行工具并把结果交回去。读本章可以按 @tool、bind_tools、tool_calls、ToolMessage、业务闭环这条线走。Pydantic 不是装饰，它是在帮工具参数变成一份更可靠的契约。 官方文档与资源：详见 工具导航与参考资料索引 - 工具调用、MC...

16 - 记忆与对话历史（含 Redis 基础） 本章课程目标： 理解本章所说的**记忆（Memory）**到底是什么，知道它为什么在多轮对话中不可缺少。 掌握“读历史 → 拼入提示 → 调模型 → 写回历史”这条最核心的实现主线，理解 RunnableWithMessageHistory 与 BaseChatMessageHistory 的职责分工。 对 Redis 在本章中的定位建立清晰认识：它不是让模型“变聪明”，而是让会话历史可持久化、可跨进程、可跨实例共享。 学习建议： 这章最好用两轮对话来学：先看没有记忆时模型为什么“忘事”，再看同一个 session_id 下历史消息如何被读出、拼进提示词、调用模型、写回存储。Redis 先别当重点，它只是把内存版的历史保存得更持久。只要能讲清“读历史 -> 拼提示 -> 调模型 -> 写历史”，后面的实现类就不散。 官方文档与资源：详见 工具导航与参考资料索引 - LangGraph。 1、记忆简介1.1 为什么需要记忆如果你只做单轮问答，那么每次请求都是一次独立调用，模型只看当前输入，答完就结束。但只要你...

15 - LCEL 与链式调用 本章课程目标： 理解 Runnable 的定位，知道 LangChain 为什么要把 Prompt、Model、Parser、Tool、Chain 都抽象成统一的“可执行组件”。 理解 LCEL（LangChain Expression Language，LangChain 表达式语言）到底解决了什么问题，掌握 | 管道符背后的链式组合思想。 能读懂并运行本章全部案例：顺序链、分支链、多步串行链、并行链、函数链，建立后续学习 记忆与对话历史、Tools 工具调用、RAG、Agent 的基础。 学习建议： 先亲手跑通 prompt | model | parser，再谈分支、并行和自定义函数节点。读代码时盯住两件事：每个 Runnable 收什么、吐什么；组合之后还能不能继续被 invoke、stream、batch 调用。这样看 LCEL，就不会只把它当成一个管道符语法。 1、Runnable 与统一调用方式1.1 前置知识点：抽象基类（ABC）如果你第一次接触 抽象基类，不用把它想得太复杂。对这一章来说，你只需要先建立一个足够实用的理解： ...

14 - 输出解析器 本章课程目标： 理解**输出解析器（Output Parser）**是什么、为什么需要它，以及它在 Model I/O 中所处的位置。 会使用 StrOutputParser、JsonOutputParser 处理字符串与 JSON 输出。 理解 LangChain 官方的**结构化输出（Structured Output）**思路，掌握 TypedDict、Pydantic、JSON Schema 三种 schema 方式的差异。 学习建议： 这章要解决的是“模型说的话，程序怎么放心使用”。可以从 StrOutputParser 跑到 JsonOutputParser，再跑到 Pydantic，边跑边看哪里只是解析，哪里才发生校验。读完后能分清 Parser、Structured Output、TypedDict、Pydantic、JSON Schema 的边界，就已经抓住重点了。 官方文档与资源：详见 工具导航与参考资料索引 - 提示词与结构化输出。 1、输出解析器简介本章对应 Model I/O 中的输出解析（Parse）部分...

13 - 提示词与消息模板 本章课程目标： 理解 Prompt 是什么，知道它为什么会从“一段字符串”逐步演化成“多角色消息 + 模板 + 占位符”。 掌握 LangChain 中与输入组织最相关的三块内容：消息类型（Message）、模型调用方式（invoke / stream / batch）、提示词模板（PromptTemplate / ChatPromptTemplate）。 会运行并理解本章全部案例：输入类型、同步与异步调用、文本模板、对话模板、消息占位符、从 JSON / YAML 加载提示词，为后续 输出解析器、LCEL 与链式调用、记忆与对话历史 打基础。 学习建议： 读这一章时，拿一条普通用户问题练手，把它改造成消息列表：系统消息放规则，用户消息放任务，历史消息放上下文。先理解模型到底吃进去什么，再看 PromptTemplate、ChatPromptTemplate、MessagesPlaceholder 怎么帮你复用这些结构。读完后最好能判断：什么时候写死提示词，什么时候抽成模板，什么时候需要把模板放到文件里。 官...

12 - Ollama 本地部署与调用 本章课程目标： 理解 Ollama 是什么、解决什么问题，以及它在整套 LangChain / Agent 学习路线里的位置。 掌握 Ollama 的安装、模型目录配置、常用命令、模型拉取与验证，并建立“本地模型运行”这条完整思路。 学会使用 LangChain 里的 ChatOllama 调用本机 Ollama 服务，理解它与 第 11 章 Model I/O 与模型接入 中云端模型调用的异同。 学习建议： Ollama 的重点不是多背几个命令，而是亲手确认“本地模型能被服务化调用”。先装好 Ollama，拉取一个小模型，用命令行验证能回答，再接到 LangChain 的 ChatOllama。读代码时顺手记下模型名称、模型存放位置和机器资源限制，这些才是本地部署最常见的排障入口。 官方文档与资源：详见 工具导航与参考资料索引 - 模型接入与本地运行。 1、Ollama 简介1.1 定义Ollama 是一个用于在本地运行开源大模型的工具，本质是把模型下载、管理、加载、运行、暴露 API 这几件事封装起来的本地大模...

11 - Model I/O 与模型接入 本章课程目标： 理解 Model I/O 是什么，它为什么是 LangChain 中最基础、最核心的一层。 理解 LangChain 的 Model I/O 模块：输入提示（Prompt）、调用模型（Model）、输出解析（Parser）三件套。 掌握 LangChain 里最常见的模型分类、标准化参数、返回值结构，尤其是 Chat Model 与 AIMessage。 学习建议： 第 10 章解决“能不能调通”，这一章解决“怎么把调用写得可换、可管、可复用”。读的时候按输入、参数、返回值、接入方式这条线走，并留意哪些代码和具体模型供应商绑定，哪些可以保持通用。后面看 第 13 章 和 第 14 章 时，再把它们接回 Model I/O 这条主链。 官方文档与资源：详见 工具导航与参考资料索引 - 模型接入与本地运行。 1、Model I/O 简介1.1 定义Model I/O 是 LangChain 中专门负责“如何和模型打交道”的模块。它关心的就是：模型输入怎么组织、模...

10 - LangChain 快速上手与 HelloWorld 本章课程目标： 从“知道 LangChain 是什么”真正走到“亲手跑通第一次 LangChain 调用”，完成从环境准备到 HelloWorld 的闭环。 理解接入大模型最重要的 调用三件套：API Key、模型名、Base URL，并以 LangChain 1.x 写法作为主线，同时能读懂旧资料里的 classic 写法。 会运行并理解本章全部案例：环境检查、HelloWorld、多模型共存、企业级封装、流式输出，为后续 Model I/O、Ollama 本地调用、提示词与消息模板、输出解析器 打基础。 学习建议： 这一章的目标很朴素：先让一次模型调用真的跑起来。学习时先确认依赖、模型名、API Key、Base URL 这几项，再看代码结构；第一次成功后，再比较多模型共存和工程化封装。遇到旧教程里的 0.x 写法，重点看它和本章 1.x 写法在入口和对象组织上有什么差别。 官方文档与资源：详见 工具导航与参考资料索引 - LangChain。 1、LangChain 环境与约定1.1 支持的大模...