拆解 legal-dc/Legal-DC 仓库：539 篇法规语料、2,475 条带条款级引用的问答、一套召回/生成评测脚本。逐项核对哪些数据可信、哪些要先修，并给出 6 个可落地的 RAG 评测方向。

大模型知道很多事，但不知道你公司昨天刚发的制度、你自己写的项目文档，也不知道最新一期的行业报告。微调可以把知识“灌”进模型，但成本高、更新慢，还容易遗忘。RAG（Retrieval-Augmented Generation，检索增强生成）换了一个思路：不改模型，而是在回答问题前，先把相关资料找出来，连同问题一起交给模型。 打个比方，闭卷考试考的是模型记住了多少；RAG 是开卷考试，考的是它能...

1. 环境准备## 1. 修改静态ip[root@spark001 ~]# vi /etc/sysconfig/network-scripts/ifcfg-ens33 ## 2. 修改机器名[root@spark001 ~]# hostnamectl set-hostname langfuse## 3. 查看docker dcoker-compose版本[root@langfuse ~]# ...

1. LangGraph高级特性：总结与注意事项LangGraph作为一个强大的图结构程序设计工具，提供了许多高级特性来支持复杂的AI应用开发。本文将深入探讨LangGraph的一些关键概念和注意事项，帮助开发者更好地利用这个工具。 1.1 数据状态与归纳函数在LangGraph中，理解数据状态的处理方式至关重要。默认情况下，节点返回的字典数据会覆盖原始数据。这可能导致一些意料之外的结果。例...

1. LangGraph进阶：构建ReACT架构的智能Agent1.1 引言在人工智能和大语言模型（LLM）快速发展的今天，如何构建高效、灵活的智能Agent成为了一个热门话题。LangGraph作为一个强大的工具，为我们提供了一种新的方式来实现复杂的AI工作流，特别是在构建ReACT（Reasoning and Acting）架构的智能Agent方面表现出色。本文将深入探讨如何使用Lang...

1. LCEL与AgentExecutor的局限性分析在大语言模型(LLM)应用开发领域,LangChain表达式语言(LCEL)和AgentExecutor一直是开发者的得力助手。然而,随着应用场景的复杂化,这些工具的局限性也日益凸显。本文将深入探讨LCEL和AgentExecutor的不足,并引入一个新的解决方案。 1.1 LCEL链表达式的局限性LangChain表达式语言(LCEL)...

1. 十分钟带你搞定LLM工具调用在上一篇文章中，详细介绍了工具调用的基本流程，以及创建工具的几种方式，工具创建完成后，下一步就是让大语言模型（LLM）进行工具调用。 可能第一次听到工具调用的同学，会认为是LLM直接调用了工具本身，实际上并非如此，LLM只会根据用户提问，给出要调用的工具并生成调用工具的参数，实际是否调用工具，由应用本身决定。 整个工具调用基本流程如下，本文将会对如何让LLM...

1. 从0到1学习Weaviate向量数据库在之前的文章中，相信你已经学会了如何将加载好的文档按照一定规则分割成文档片段，以及对文档片段进行了文本嵌入生成对应的向量数据。 下一步就是要将这些向量数据存储到向量数据库，本文将会详细的讲解什么是向量数据库（Vector database），以及常用向量数据库Weaviate的安装及使用方法。 1.1 什么是向量数据库向量数据库（Vector da...

1. RAG当我们在跟大语言模型交流时，会发现大语言模型只能回答训练数据范围内的事情，如果你问它一些超出训练数据之外的事情，AI的回答往往就是胡言乱语，或者给出错误的答案。 那么我们不禁会想到：大模型拥有如此强大的能力，是否能让大模型掌握一些特定领域的知识，甚至接入企业内部的知识库数据？来帮助我们实现业务需求。 这就是本文要介绍的技术——RAG（Retrieval Augmented Gen...

1. 手把手带你玩转LCEL表达在前面几篇文章中，我们已经掌握了LangChain的核心组件：提示词模板、大语言模型、输出解析器。细心的读者可能发现，在使用这些组件时，经常会看到类似 prompt | llm | parser 这样的链式操作。这就是今天重点介绍的LCEL（LangChain Expression Language）表达式。 在平时开发中，经常需要将多个组件组合起来形成完整的...