#langchain

在MCP的集成开发方面，LangChain是个做得不错的项目，其它方面也很优秀！它有个专门的库来处理，就是langchain-mcp-adapterslibrary。导入的MultiServerMCPClient是官方提供的多服务器管理客户端，可以同时连接多个 MCP 服务器。 主要能力 工具调用与管理：能够将各种 MCP 服务器提供的工具转换为Agent可直接使用的标准化工具。

下午在调试图数据库时发现有报错，发现是create_react_agent这个函数已被弃用！赶紧查下，LangGraph的官网上还没更新，但LangChain上给出了最新的写法create_agent LangGraph 的新版本迭代中，langgraph.prebuilt.create_react_agent 已经被正式弃用（Deprecated）。 官方为了将 Agent

对neo4j有了基本了解，就可以上手实操啰。这里采用langchain的集成方案，写入和查询都集成得很好，几条命令就可搞定。 写入数据 # 安装包 pip install langchain -i pip install langchain-openai langchain-community langchain-experimental pip install langchain-neo4j from

简介 LangGraph, 从这名字大概也能猜到它和LangChain的关系吧。不错，它也是LangChain团队开发的一个专用于Agent的高级库。它设计的特点不同于LangChain的单线设计，而是用图来启用循环的多线设计。 LangGraph

随着国内大模型的发展，有些大模型的功能已开始向OpenAI靠拢了，其中向量算法就是其中之一。去年在做向量数据库的测试和部署时就没有发现足够好用的国产向量算法，只得采用OpenAI的向量算法。现在，向量算法完全可以转向国内的算法啰，百川的向量算法就很不错。 在实际的应用中，一般会与LangChain进行集成，开发出你需要的应用或是agent。下面是集成的向量存储和查询代码，大家可以做些参考。 pip

在快速发展的语言处理世界中，Gemini Pro等高级工具与LangChain的集成对于那些希望增强其语言模型能力的人来说是向前迈出的重要一步。本指南专为具有半技术背景的个人而设计，他们渴望探索这两个强大平台之间的协同作用。使用您的 Google AI Studio API 密钥，最近由 Google 为其新的 Gemini AI 提供。我们将探索一个过程，将您的语言模型提升到新的高度。

如果您对使用 AI 构建应用程序和服务感兴趣，您绝对应该学习如何使用 LangChain 以及如何使用它来简化使用各种不同的 AI 模型构建应用程序的过程。人工智能和自然语言处理（NLP）的世界正在迅速发展，而处于这场革命前沿的工具之一是LangChain。 本 LangChain 初学者指南将帮助您了解如何使用

在本地知识库的构建中，其中重要的一环是对文本的向量计算，然后存入数据库备查。在这种知识库的项目中除了知识文本的重要性之外，向量计算几乎占据了绝大多数的比重，可以说：成败在此计算。 现在比较流行的有三个向量计算库：OpenAIEmbeddings、shibing624/text2vec-base-chinese和GanymedeNil/text2vec-large-chinese。接下来就实际测试下看看。

在做本地知识库时，对文本存储会首先对文本进行分割保存，这样是因为太长的文本不方便做AI的上下文。得到分割好的小段文本集后，再做向量计算，存入向量数据库后，就做好了前期准备。 实现文本分割器倒不算难，但也有几个坑，主要是对中文的支持。读取文本时必须使用encoding='gbk'，否则分割不了。 文本分割 pip install langchain # 依赖 from langchain.text_splitter

LangChain最近蛮火的，主要也是因为AutoGPT的出圈。现在也有蛮多的介绍文章，简单讲，LangChain 是一个开发AI应用的框架。如果把OpenAI比做是发动机，那么LangChain就是整车啰！普通开发者不用再担心怎么造车，只要会开车就行，这大大给AI开发降维了。 这里简单地来个案例实操，感觉下LangChain的强大功能，这里试一下让ChatGPT联网。先借助 Serpapi来进行（google