# 大模型

**Repository Path**: yuzhouzhou/llm

## Basic Information

- **Project Name**: 大模型
- **Description**: python 相关LLM 技术学习。
langchain入门
langgraph入门
llamaindex入门
rag相关概念入门
向量相关概念入门
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 2
- **Created**: 2025-10-09
- **Last Updated**: 2025-11-12

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 🤖 大模型学习项目

### 📚 项目介绍
本项目用于学习与实践 **大语言模型（LLM）** 相关技术，涵盖以下核心内容：
- 🔗 **LangChain**：构建可组合的 LLM 应用框架  
- 🧠 **LangGraph**：基于有向图的 LLM 流程控制  
- 📖 **RAG（Retrieval Augmented Generation）**：检索增强生成，实现知识库问答  
- 🧩 **Prompt Engineering**、**Chain of Thought** 等提示词工程实践  

适合想系统学习大模型生态与代码实战的开发者。

---

### 🏗 软件架构
项目主要结构如下：


### 注意
LangChain 1.0 和其兄弟框架 LangGraph 1.0 已于 2025年10月22日 正式发布。
这是一个重要的里程碑版本，旨在解决旧版本中的一些痛点，并将AI应用的开发，特别是智能体（Agent），从“原型玩具”推向“企业级系统”。
1.0 版本引入了几个根本性的新架构，这是与旧版本最本质的区别。

1. 中间件系统
之前：很难在Agent执行的生命周期中插入自定义逻辑（如日志记录、监控、权限检查），通常需要修改底层代码或使用复杂的回调。
1.0：引入了中间件，允许你在Agent执行的特定步骤（如“调用工具前”、“LLM生成响应后”）插入“钩子函数”。这使得可观测性、安全控制和审计变得非常简单。
应用场景：在调用“删除数据库”工具前，插入一个中间件来检查用户权限。

2. 与 LangGraph 深度集成
之前：LangChain 主要处理线性的链式调用。对于复杂的、有状态、有循环的工作流（如一个需要反复执行工具、有分支判断的Agent），构建起来非常困难且不稳定。
1.0：LangChain 1.0 的 Agent 运行时直接构建在 LangGraph 之上。这意味着：
内置持久化：Agent的状态可以自动保存和恢复，服务器重启后可以从断点继续。
复杂控制流：轻松实现子流程、循环、并行处理等。
人工介入：可以在关键节点暂停，等待人工审核确认。

3. 标准化的输出和内容块
之前：不同模型提供商（OpenAI, Anthropic等）返回的消息格式不一致，需要编写适配代码。
1.0：引入了标准化的 Chunk 和 Message 类型，统一了不同模型的输出，使模型切换和下游处理更加顺畅。