Q: LangChain dify coze是競品關系 都是AI Agent搭建平臺，dify和coze
屬于低代碼，langChain屬于高代碼，coze優于dify

Q：向量數據庫是存儲向量，做相似度檢索的，可以用faiss milvus chromdb

Q：使用AI編程，要有清晰的邏輯思維，把這個思維告訴給AI

Q: LangChain, LangGraph是一家，LangGraph是前者的升級版本 能力更強，
前者的工作流是線性的，后者的工作流更加復雜

LangChain：提供了一套工具、組件和接口，簡化了創建LLM應用的過程。

LangChain由多個組件組成；
1 Models：模型，比如 GPT-4o， Qwen
2 Prompts：提示，包括提示管理、提示優化和提示序列化
3 Memory：記憶，用來保存和模型交互時的上下文
4 Indexes：索引，用于結構化文檔，方便和模型交互，如果要構建自己的知
識庫，就需要各種類型文檔的加載 轉換 長文本切割 文本向量計算，向量索
引存儲查詢等
5 Chains:鏈 一系列對各組件的調用
6 Agents：代理，決定模型采取哪些行動，執行并且觀察流程，直到完成為止

Agent的作用

Agent決定調用哪些工具完成用戶的需求，以及工具的調用順序
LangChain中集成了很多了常用的tools（工具），也可以調用自己的工具

Tool工具

serpapi 搜索引擎
1lm-math 給Agent提供數學計算

示例：問當前北京的溫度是多少華氏度，這個溫度的1/4是多少?
Thinking：Agent需要哪些tools?
Serpapi 搜索當前北京的溫度
1lm-math 計算這個溫度的1/4 如果不調用數學工具 大模型在計算上可能會回答錯誤

Memory 記憶

大模型的記憶空間一般是32K，大的是128K，是有限的

LangChain中的幾種短期記憶方式：
1 BufferMemory
將之前的對話完全存儲下來，傳給LLM，但大模型的記憶空閑有限
適用：對話不多時

2 BufferWindowMemory
最近的K組對話存儲下來，傳給LLM
適用：對話很多 但希望簡單的處理方式時

3 ConversionMemory
把對話進行摘要，將摘要存儲在內存中，相當于將壓縮過的歷史對話傳給LLM
適用：對話很多 要用全部歷史對話 就快速壓縮

4 VectorStore-backed Memory 將之前所有對話通過向量存儲到VectorDB
（向量數據庫）中，每次對話，會根據用戶的輸入信息，匹配向量數據庫中最相
似的K組對話
適用：對話很多 要精細化做對話查找時

Agent設計

AGENT_TMPL=“”"按照給定的格式回答一下問題，你可以使用下面這些工
具：
(tools}
回答時需要遵循以下用–括起來的格式：

Question：我需要回答的問題
Thought：回答這個上述問題我需要做些什么
Action:"(tool name)”中的一個工具名
Action Input:選擇這個工具所需要的輸入
Observation：選擇這個工具返回的結果
…（這個 思考/行動/行動輸入/觀察 可以重復N次，N不超過5）
Thought：我現在知道最終答案
Final Ansser：原始輸入問題的最終答案

現在開始回答，記得在給出最終答案前，需要按照指定格式進行一步一步的推
理。
Question:{input}
{agent_scratchpad)
“”"

Q：如何創建個人的知識庫，并可以智能問答?

1. Tool
   不同的需求，調用不同的Too1，根據query和 tool description之間的匹
   配進行調用
   幾乎任何功能都能封裝成tool，比如查天氣，查新聞，計算數學題

2. RAG
   query=>與 RAG中的chunk進行相似度的匹配（基于embedding）=> 取Top5的chunk 給到LLM進行回答
   RAG的常用場景有智能客服，問答

Q: LangChain更早的提出了Tool調用

Q：選擇一個框架時，主要看框架給提供的工具全不全，推薦langchain coze

Q：Function Call里面可以調用別的api查詢嗎?
A：是的，比如可以在Function Call中，使用 Claude寫代碼

Q： tool是agent的一部分嗎?
A：是的，agent是全集，是組裝工廠，在工廠里面tool是重要的一個環節

Q：最終項目落地可以用coze嗎?
A：如果不考慮數據安全問題，可以用coze或者 使用coze本地私有化部署的版

ReAct范式(Reason- Action)

大模型的推理方式，大模型回答問題是一步一步的逼近答案的，不斷地思考 運行 觀察，是一個思考模型，指示大模型如何工作：

思考=>Action Action Input=>觀察>思考
適用于有一定復雜程度的問題，讓AI自己進行探索求解

@5-product_llm.py 幫我使用LangChain中的ReAct模式簡化這個代碼，寫
到6-product_llm.py

fewshot: 小樣本的示例，給到大模型作為RAG的上下文知識，做錯題本

Q：怎么保證調用工具后回答內容的安全性?比如問怎么造炸彈?
做一個安全審核工具，在回答前先審核

Q：ReAct的實現過程：（大模型的自我對話的過程）
=>我要完成XXX，我看到了{tool}，我可以選擇某一個tool，傳入 input
=>在代碼中調用這個tool，傳入相應的 tool input=>得到tool的 ouput
=>我要完成XXX，我看到了{tool}，我可以選擇某一個tool，傳入 input
…

Case 工具鏈組合

Q：推理模型幻覺大，可以用來頭腦風暴，實際項目中用得比較少

Case 搭建故障診斷Agent

幫我搭建一個網絡故障診斷類的Agent，工具之間存在串聯，第一個工具的輸出是第二個工具的輸入；如果有10個工具的話，會有很多輸入輸出的關系。
希望Agent，在適當的時候調用適合的工具

可以參考 @1-simple toolchain.py編寫新的python

Q：業務系統的日志，每小時上G的日志，有無好的分析辦法?
Step1 先通過關鍵詞定位位置 做個粗篩，再通過時間范圍進行篩選
Step2 把有問題的日志整理起來 當文字量不是太大的情況下，可以讓LLM進行解讀

LECEL構建任務鏈

LECEL是lanchain 推出的鏈式表達式語言，支持用 ｜ 操作符將各類單元組合。每個 ｜ 左側的輸出會自動作為右側的輸入，實現數據流式傳遞。
優勢：
代碼簡潔，邏輯清晰，易于多步任務編排
支持多分支 條件 并行等復雜鏈路
易于插拔 復用和調試每個子任務

典型用法：
串聯：A ｜ B ｜ C，A的輸出傳給B， B的輸出傳給C。
分支：{“x”: A, “y”: B }, 并行執行A和B。
支持流式：如 .stream() 方法可邊生成邊消費。

AI Agent對比

工具 核心定位 適用性
LangChain 開源LLM應用開發框架 適用于外企 快速構建RAG 對話系統 工具調用等線性任務

LangGraph 升級的LangChain 基于圖的循環和條件邏輯，支持多Agent協作 適用于外企的復雜任務

Qwen-Agent 通義千問的AI Agent框架 可快速構建RAG MCP等應用 適用于國外 作者推薦

Coze 和 Dify 適用于業務人員拖拉拽生成簡單AI應用

AI Agent選擇建議

無代碼開發：Coze
快速原型開發：LangChain 或 Qwen-Agent
復雜Agent系統：LangGraph(多Agent協作) 或 Dify(API深度集成)
企業私有化：Dify(開源部署)，Qwen-Agent 或 LangChian+LangGraph(靈活組合)

Q：如何學習大模型？
A：
1 先找業務場景
2 選擇適合的方案
方案1 RAG LangChain RAG方案
方案2 LangChain ReAct + Tool方案

3 實施
@之前的代碼，描述現有的場景