python01
LangChain 原理与实战(五):综合实战,搭一个知识库问答 Agent
把前四篇串起来:一个能读你文档、能调接口、还能接着上一句聊的问答 Agent。覆盖文档检索工具化、多轮记忆、以及一条最小可跑的完整代码,并点出上线前要补的工程化细节。
2026-09-16 11:43:435 阅读
共 6 篇文章
把前四篇串起来:一个能读你文档、能调接口、还能接着上一句聊的问答 Agent。覆盖文档检索工具化、多轮记忆、以及一条最小可跑的完整代码,并点出上线前要补的工程化细节。
链把步骤写死,Agent 把选择权交给模型。这篇讲清 Tool 怎么定义、模型怎么 bind_tools、AgentExecutor 怎么循环"思考-调工具-看结果",并跑通一个能查天气、能算数的最小智能体。
直接调模型 SDK 写聊天容易,接检索、工具、多轮记忆就乱了。LangChain 把模型外围的脏活标准化成几层抽象:Model I/O、Retrieval、Memory、Chains、Agents。这篇先把全景和每个模块的边界讲清楚。
我给博客 AI 助手建了一套 20 题金标准评测集。第一次跑分 12/20——每一个丢分的题目背后,都藏着一个真实缺陷:知识盲区、未查先拒、门控误伤、中文匹配漏配。这是一份带完整解题过程的错题本。
AI 助手能答对文章里的技术题,却不认识博主自己的象棋项目。从这次失败出发,补齐多轮记忆、反馈闭环、失败可恢复与可见化交互——记录一个 RAG Demo 跨过"最后一公里"的四段工程。
博客 AI 助手的第二次进化:把固定检索流水线升级为 ReAct 工具编排循环。五个只读工具的提示词工程、伪流式与 tool_calls 的工程取舍、防死循环保险丝,以及为什么用 200 行 Go 手写而不上 LangChain。