yichunfu5-prog/langchain-rag-agent
Developer toolsЭта страница переведена автоматически. Технические детали смотрите в оригинале. Открыть оригинал
IQ на основе Land Sweeping / Traling Robot AI Smart Passenger Service. Двухстраничное веб-приложение (User Smart Query + Business Knowledge Bank Management) со StromaDB в качестве векторной базы данных для семантического поиска и позиционирования IP и осведомленности о погоде посредством интеграции протокола MCP в Goth Maps, используя Qwen3-Max в качестве механизма рассуждения。
Обзор
Это смарт-пассажирский сервис для роботизированных роботов, предоставляющий две страницы веб-приложения: - Semantic Retrieval: Knowledge Base Search Based on Vector Similarity, Support for Maintenance, troubleshooting, Selection Guides, Common Questions - Tool Call: LLLM Decision Когда проверять банк знаний, когда изменять API карты высокогорья История диалога автоматически сохраняется в локальных файлах JSON, обновляется и не теряется - Вернитесь в библиотеку: Перезагрузка на основе контента MD5, чтобы избежать дублирования результатов загрязнения сегмента документа Далее следует следующий анализ, и каждое ключевое решение включает в себя: используемую технологию, причины выбора, обоснование конечной цели, сравнение альтернатив, анализ преимуществ и путь миграции знаний. Дизайн Straamlit + Langchain Age + RAG + MCP гибридная архитектура обслуживания пассажиров - Данные обучения LLM имеют крайние сроки, которые не охватывают самую современную робототехнику сканирования сайта и коды отказов - вопросы пользователей могут включать информацию в режиме реального времени (рекомендации по очистке от воздействия погоды, рекомендуемые каналы покупки) - несколько намерений должны быть обработаны в одной точке входа (консультирование по продукту / проверка на отказ / ссылка на погоду / предложение о покупке) - Размер команды невелик, и невозможно разработать логику маршрута для каждого намерения отдельно Модель Агента позволяет LLM выбирать, какой инструмент использовать, без необходимости создавать интуитивно понятный сортировщик, с естественным преодолением проблем с длинным концом - инструментом может быть локальный поисковик (RAG) или удаленный API (MCP), унифицированный интерфейс, расширение - Агент Создания Langchain () содержит петли React (мышление о наблюдении за действиями) для решения многоступенчатых рассуждений. LangChain Create agent() помещает этот цикл в angent.ainvoke() без необходимости написания петлевой логики вручную. Каждый LLM-вызов представляет собой полный API-запрос, поэтому потребление токена в режиме Agent = N раз нормального диалога (N = количество вызовов инструмента + 1). Инструмент - это рука LLM. Каждый инструмент содержит три элемента: имя (имя), описание (описание, когда использовать LLM) и схему ввода (параметры). LLM не выполняет инструмент, а скорее выводит сообщение ToolCall; кадр LangChain перехватывает сообщение, выполняет соответствующую функцию, а затем вводит результат в контекст диалога в виде ToolMesseage。
Обзор (машинный перевод)
Мощность Langchain RG + MCP + ChromaDB + AshScope**
Я не…
#Каталог #
- Обзор проекта
- Техническая архитектура с разрешением глубины Шаг 1 - Дизайн корпоративной архитектуры -STEP 2 - RAG Retrieval Enhancement Generation -ШАГ 3 - Умное тело LangChain Agent -STEP 4 - интеграция контекстного протокола модели MCP -STEP 5 - Библиотека векторных данных ChromaDB -STEP 6 - Стеклянный веб-интерфейс 3 Структура проекта
- Быстрый старт
- Расширение знаний и пути обучения
Я не…
1.Обзор проекта
** Spiritual Psychiatry** - это интеллектуальный пассажирский сервис искусственного интеллекта для роботов, предоставляющий две страницы веб-приложения:
| Страница | Пользователь | Функция | | | | | Интеллектуальный клиентский терминал обслуживания потребителей Вопросы и ответы на естественном языке, восприятие географического положения, рекомендации по корреляции погоды | Управление базой знаний | Бизнес / Операционная | Загрузка документов, просмотр статуса хранилища и восстановление базы знаний в полном объеме
** Основные компетенции:**
Семантический поиск: поиск базы знаний, основанной на сходстве векторов для поддержки обслуживания, устранения неполадок, рекомендаций по выбору, общих проблем Призыв к инструменту: решение LLM, когда смотреть на базу знаний, когда обращаться к API готической карты, занять позицию / погоду Последовательность сессий: история диалогов автоматически сохраняется в локальных файлах JSON, обновляется без потерь Для повторного входа в библиотеку: тяжелый на основе контента MD5, избегая повторных фрагментов документов
Я не…
2 Разрешение глубины технологической архитектуры
Следующий анализ следует модели глубокого обучения **, и каждое ключевое решение включает в себя используемую технологию, выбор причины, основное обоснование, альтернативное сравнение, анализ заслуг, путь миграции знаний.
Я не…
Шаг 1 Корпоративный архитектурный дизайн
** Эксплуатация:** Design Straamlit + LangchainAgent + RAG + MCP гибридная архитектура системы обслуживания пассажиров
Я не…
# # 1 ️ Используемые технологии
- Переиздано по техническим причинам. | | | | ** Structure Mode** |Agent-Tool Mixed Structure (LLM как маршрутизатор, инструмент динамического выбора) ** Классификация** Архитектура приложений ИИ/Поиск улучшенного поколения/режим умного тела ** Роль** Используйте LLM в качестве центрального механизма принятия решений для извлечения и внешнего API через механизм вызова инструментов.
Я не…
###2 Почему смешанная архитектура
** Проектные ограничения** Данные обучения LLM имеют крайние сроки, которые не охватывают последний код разрешения и отказа. Проблемы пользователей могут включать информацию в режиме реального времени (рекомендации по очистке климата, региональные рекомендуемые каналы покупки) Потребность в едином портале для обработки нескольких намерений (консультирование по продукту / отказ / корреляция погоды / предложение о покупке)
Эта страница переведена автоматически. Технические детали смотрите в оригинале.
Установка
This server does not publish a one-line install command.
Open the repository installation guide Новичок в MCP? Начните с руководства на mcpskill.org →