2026.1.25总结

看尚硅谷的视频，了解langchain和RAG架构和Agent架构
RAG（检索增强生成）架构

1. 核心组件
   from langchain_community.vectorstores import Chroma
   from langchain.embeddings import OpenAIEmbeddings
   from langchain.text_splitter import RecursiveCharacterTextSplitter
   from langchain.chains import RetrievalQA
   from langchain.llms import OpenAI

RAG系统构建流程：

1. 文档加载 → 2. 文本分块 → 3. 向量化 → 4. 检索 → 5. 生成

2. 典型架构图
   ┌─────────────────────────────────────────────────┐
   │ RAG System │
   ├─────────────┬─────────────────┬─────────────────┤
   │ 文档加载 │ 文本处理 │ 向量存储 │
   │ (Loader) │ (Splitter) │ (Vector DB) │
   ├─────────────┼─────────────────┼─────────────────┤
   │ 查询向量化 │ 语义检索 │ 生成答案 │
   │ (Embedding)│ (Retrieval) │ (Generation) │
   └─────────────┴─────────────────┴─────────────────┘
3. 代码示例
   from langchain.document_loaders import TextLoader
   from langchain.indexes import VectorstoreIndexCreator

简化版RAG实现

loader = TextLoader("data.txt")
index = VectorstoreIndexCreator().from_loaders([loader])

检索增强查询

query = "什么是人工智能？"
answer = index.query(query, llm=OpenAI())
4. 高级RAG优化
查询改写：优化用户query
重排序：对检索结果重新排序
HyDE：生成假设文档进行检索
子查询：复杂查询分解
RAG-Fusion：多query并行检索
🤖 Agent架构

1. Agent核心概念
   from langchain.agents import initialize_agent, Tool
   from langchain.agents import AgentType

Agent = LLM + 工具 + 决策循环

2. Agent类型
   ReAct Agent：推理+行动
   Self-ask with search：自我提问搜索
   Plan-and-execute：先规划后执行
   AutoGPT-style：自主多步执行
3. 基本架构
   ┌─────────────────────────────────────────┐
   │ Agent System │
   ├─────────────────────────────────────────┤
   │ 1. 观察 (Observation) │
   │ 2. 思考/推理 (Thought) │
   │ 3. 行动/使用工具 (Action) │
   │ 4. 获取结果 (Observation) │
   │ 5. 最终答案 (Final Answer) │
   └─────────────────────────────────────────┘
4. 代码示例
   from langchain.agents import load_tools, initialize_agent
   from langchain.llms import OpenAI

初始化Agent

llm = OpenAI(temperature=0)
tools = load_tools(["serpapi", "llm-math"], llm=llm)

agent = initialize_agent(
tools=tools,
llm=llm,
agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
verbose=True
)

执行任务

agent.run("2024年北京的平均温度是多少？转换为华氏度")
5. Agent关键组件

工具定义

tools = [
Tool(
name="Calculator",
func=calculator_func,
description="用于数学计算"
),
Tool(
name="Search",
func=search_func,
description="用于搜索信息"
)
]

记忆系统

from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory(memory_key="chat_history")