标签：Python 第2页

4.1. 顺序结构 4.1.1. add_edge add_edge 用于在两个节点之间添加一条有向边。边是图结构中最基本的元素之一，节点之间的执行顺序、分支跳转以及循环控制，最终都依赖节点和边共同表达。 因此，在 LangGraph 中，基础的控制流结构都可以通过 add_edge 进行构建。 示例如下： from langgraph.graph import StateGraph, START, END from typing im…

赞(0)admin2026-10-05AI框架 阅读(13)去评论

3.1. 状态定义 状态的定义实际上是在声明状态的Schema，后者是状态字段的完整描述。 官方推荐了三种定义Schema的方式：TypedDict、dataclass、Pydantic 3.1.1. TypedDict from langgraph.graph import StateGraph, START, END from typing import TypedDict, Annotated from operator impo…

赞(0)admin2026-10-04AI框架 阅读(10)去评论

本节将从一个基础案例入手，掌握图的基本创建、调用和可视化方法。 图的构建与运行分为三个阶段：定义状态图、编译状态图、调用状态图 2.1. 定义状态图 状态图的定义可以分为以下几个步骤： 1. 定义全局状态 定义整个运行图共享的全局状态（实际上，除了全局状态，LangGraph还支持其它类型的状态，下文详述） 2. 创建状态图 创建 StateGraph实例，将状态和状态图绑定 3. 定义图结构 定义节点和边并添加到状态图中 2.1.1.…

赞(0)admin2026-10-03AI框架 阅读(18)去评论

LangGraph 运行时底层基于自研的 Pregel 运行时，其核心思想借鉴了 Google Pregel 计算模型，用于组织和执行复杂的图计算流程。 1.0. LangGraph和LangChain的版本迭代及定位 LangChain 1.x 的定位发生了明显变化：旧式 Chain、Retriever、Memory 等组件被迁移至 langchain-classic；LCEL 保留为 langchain-core 的底层组合机制，但…

赞(0)admin2026-10-02AI框架 阅读(18)去评论

从零开始，一步一步完成本课程所需的所有环境配置。 1. 安装 Miniconda Conda 是一个包管理和环境管理工具。Miniconda 是 Conda 的精简版，只包含最基本的组件，体积小、安装快，推荐使用。 1.1 下载 Miniconda 打开 Miniconda 官方下载页面： https://docs.anaconda.com/miniconda/ 根据操作系统选择对应版本： 操作系统 推荐安装包 Windows Mini…

赞(0)admin2026-10-01AI框架 阅读(20)去评论

本系列共 9 篇，从空目录搭到可部署的 Python RAG 知识库。这是最后一篇。 问答、Agent 都能跑了，但“能演示”和“能上线”之间还差一段：模型调用要记账，租户要限额度，出问题要能查，服务要能部署。这一篇把这些收尾工作做完。 图：用量统计按场景拆分调用次数、失败与 token，失败调用同样计费。 一、AI 流水：失败也要记 每次调用模型都写一条 kb_ai_invoke_log：场景、模型、token 数、耗时、成功/失败、…

赞(0)admin2026-09-19项目实战 阅读(25)去评论

本系列共 9 篇，从空目录搭到可部署的 Python RAG 知识库。这是第 8 篇。 单轮问答是“检索一次，再回答”。但有些问题需要先查一遍、发现不够、换个关键词再查，甚至要读某个切片的完整正文。这一篇用 LangGraph 做一个能自己决定检索几次的 Agent，并让它记住同一个会话的历史。 图：首页功能位，知识问答与深度推理均已启用，Agent 多跳推理是独立入口。 一、什么时候需要 Agent 单轮 RAGAgent 检索次数固…

赞(0)admin2026-09-18项目实战 阅读(29)去评论

本系列共 9 篇，从空目录搭到可部署的 Python RAG 知识库。这是第 7 篇。 检索能返回相关片段了，这一篇把它们变成答案。完成后：同步接口能返回带 [1][2] 出处的回答，SSE 接口能逐字输出，刷新会话还能看到历史消息和引用。 图：知识问答，答案逐条标注 [n]，引用可点开定位原文。 一、问答的完整顺序 一次问答不是“检索 + 调模型”这么简单，顺序很重要： 检查对话模型是否可用； 先扣配额（拦住再干活，别让用户等十几秒才…

赞(0)admin2026-09-17项目实战 阅读(23)去评论

本系列共 9 篇，从空目录搭到可部署的 Python RAG 知识库。这是第 6 篇。 向量有了，现在回答关键问题：用户提问时，怎么在几秒内从成千上万张切片里找到最相关的几段？这一篇讲两条召回路线、RRF 融合，以及为什么召回之后还要回表复核。 图：知识库参数，检索返回条数与相似度阈值是混合检索的两个旋钮。 一、为什么不能只靠向量 向量擅长“意思相近”：用户问“怎么报销”，能找到写着“费用核销流程”的段落。但它对专有名词、错误码、型号不…

赞(0)admin2026-09-16项目实战 阅读(19)去评论

本系列共 9 篇，从空目录搭到可部署的 Python RAG 知识库。这是第 5 篇。 切片有了，但还只是一堆文本。这一篇把每张切片变成一串 1024 个数字的向量，存进 PostgreSQL 的 pgvector，并处理失败重试、状态回写和卡死任务。 图：切片管理，每条切片显示字符数、token 估算与向量化状态。 一、Embedding：把“意思”变成数字 调用的是 OpenAI 兼容的 /v1/embeddings 接口，本机 O…

赞(0)admin2026-09-15项目实战 阅读(16)去评论