langchain

TODO.md

@@ -0,0 +1,51 @@
+## 技术锤炼
+目标：注册中心、RPC、消息队列专家。
+认识程度：入门教程、精通使用、阅读源码
+
+### 教程
+- [X] js/ts/vue的快速入门
+- [ ] jdbc&mybatis
+- [ ] SpringMVC。产出：思维导图。时间：5.27
+- [ ] SpringCloud -> 笔记+标准工程
+- [ ] SpringCloudAlibaba -> 笔记+标准工程
+- [ ] vim/idea最佳实践 -> 思维导图
+
+- [ ] 底层探索kubeflow
+  - [ ] Pipelines与argo，企业级流水线方案。
+  - [ ] kserv与torchserv，模型部署
+  - [ ] huggingface系列——evaluate学习
+  - [ ] huggingface系列——transformer学习
+- [ ] 上层构建langchain
+  - [ ] langchain教程,阅读教程、精通使用、阅读源码
+  - [ ] langflow教程，阅读教程、精通使用、阅读源码
+  - [ ] antflow教程
+  - [ ] reg实现方案
+
+### 书籍
+- [ ] nacos平台使用手册和设计原理
+- [ ] 微服务架构设计。产出：相关博客
+- [ ] jvm原理书本阅读。产出：相关博客。时间：5.20
+- [ ] 微服务架构设计
+- [ ] 数据密集型系统设计
+### 源码
+- [ ] 开源nacos/client源码阅读。产-> LiteRegistry
+- [ ] sofa-rpc源码阅读和框架分析。-> LiteRpc
+- [ ] Netty源码阅读。产出：LiteNetty和博客。时间：6.2
+- [ ] jdk源码。产出：博客。时间：5.13
+- [ ] springboot源码阅读
+- [ ] springcloud源码阅读
+- [ ] 消息队列源码阅读rabbit
+- [ ] 数据库源码阅读redis
+- [ ] langchain源码阅读
+### 博客
+- [ ] Java问题排查和性能分析系列博客
+- [ ] JDK源码阅读系列博客
+### 项目
+- [X] 知识库项目完成。->  docsify知识库
+- [X] 博客项目完成。->  吸收归纳新博客系统
+- [X] 一汽项目
+- [ ] 整理微服务的产品文档用于面试
+### 考试
+- [x] 软考
+- [ ] 阿里云技术认证
+

人工智能/langchain/01简介.md

@@ -0,0 +1,19 @@
+## 架构
+
+
+* LangChain 库：Python 和 JavaScript 库。包含了各种组件的接口和集成，一个基本的运行时，用于将这些组件组合成链和代理，以及现成的链和代理的实现。
+LangChain 模板：一系列易于部署的参考架构，用于各种任务。
+LangServe：一个用于将 LangChain 链部署为 REST API 的库。
+LangSmith：一个开发者平台，让你可以调试、测试、评估和监控基于任何 LLM 框架构建的链，并且与 LangChain 无缝集成。
+langgraph(opens in a new tab)：通过将步骤建模为图中的边缘和节点，使用LLMs构建强大且有状态的多角色应用程序。
+
+![alt text](image/image.png)
+
+
+
+
+
+![alt text](image/image-1.png)
+
+
+![alt text](image/image-2.png)

人工智能/langchain/code/test01.py

@@ -0,0 +1,5 @@
+from langchain_coummunity llms import Ollama
+
+llm = Ollmama(model="qwen:4B")
+
+llm.invoke("how to make a potato?")

人工智能/langflow/简介.md

@@ -0,0 +1,41 @@
+## 安装
+
+```
+pip install langflow
+```
+
+测试运行
+```
+langflow run
+```
+访问
+```
+http://127.0.0.1:7860
+```
+
+### 基本功能
+Agent→他们将大语言模型的决策与工具结合起来，使他们能够实施和执行行动;
+
+Chains→允许组合人工智能应用程序的不同组件，如prompts，大语言模型和存储器;
+
+Loaders→允许与外部源集成以上传信息(如pdf);
+
+Embeddings→将文本嵌入到向量潜在空间的模型;
+
+LLMs→用于理解和生成文本的模型，包括今天的OpenAI模型和hug Face Hub;
+
+Memories→LangChain组件，能够维护会话的记忆;
+
+Prompts→用于定义prompts框架的模板;
+
+Text Splitters→将文本分割成更小的块并避免tokens限制问题的实用程序;
+
+Toolkits→为特定用例与外部系统集成，例如，CSV文件或Python Agent;
+
+Tools→代理可以用来与外部工具交互的功能，如必应搜索或本地文件系统;
+
+Utilities→对SQLDB或Bing API等系统有用的包装器;
+
+Vector Stores→数据库，文本Embeddings可以保存，然后与用户的输入进行匹配;
+
+Wrappers→请求库的轻量级包装器