2026年2月
AI开发-python-langchain框架（1-12 返回json-格式解析器）
摘要： 关键点来了，现在json格式是开发中是最为普遍的数据格式，尤其在前后端交互中应用十分广泛，如何让大模型返回的数据是标准的json格式？ 看如下代码： from langchain.prompts import PromptTemplate from langchain_openai import C 阅读全文
posted @ 2026-02-06 10:40 万笑佛 阅读(120) 评论(0) 推荐(0)
AI开发-python-langchain框架（1-11 返回枚举-格式解析器）
摘要： 跟上一篇内容一样，这次我们来看如何限定大模型返回的结果值是枚举类型的。 先看代码： # 导入必要的模块 from langchain.prompts import PromptTemplate # 用于创建和管理提示模板 from langchain_openai import ChatOpenAI 阅读全文
posted @ 2026-02-05 10:56 万笑佛 阅读(172) 评论(0) 推荐(0)
AI开发-python-langchain框架（1-10 返回日期-格式解析器）
摘要： 如何让大模型返回的结果是一个标准的日期格式？ 如下这段代码展示了如何使用 LangChain 构建一个结构化输出链（chain），将自然语言问题（“中华人民共和国是什么时候创立的？”）通过大语言模型（LLM）转换为标准的 Python datetime 对象 from langchain.promp 阅读全文
posted @ 2026-02-04 11:52 万笑佛 阅读(212) 评论(0) 推荐(1)
AI开发-python-langchain框架（1-9 返回字符串列表-格式解析器）
摘要： 大模型输出结果通常都是文本信息，如何让他按照你期望的格式输出？ 这段代码演示了如何使用LangChain将大语言模型的自由文本输出转换为结构化的字符串列表。核心目标是让模型返回逗号分隔的多个值，并通过专用解析器自动拆分为Python列表。 CommaSeparatedListOutputParser 阅读全文
posted @ 2026-02-03 13:30 万笑佛 阅读(236) 评论(0) 推荐(0)
AI开发-python-langchain框架（1-8-2 缓存机制——验证缓存的效果）
摘要： 在AI应用中，缓存机制的经济价值不仅节省Token成本，还能消除用户等待焦虑、提升系统吞吐量、保障服务稳定性——这才是企业级应用的真正痛点。 当用户提出一个常见问题时，首次调用大模型需要经历网络传输、排队等待、模型推理等完整链路，响应时间通常在1至3秒。这个时长已超过人类对“流畅交互”的心理阈值（2 阅读全文
posted @ 2026-02-02 10:51 万笑佛 阅读(221) 评论(0) 推荐(0)
2026年1月
AI开发-python-langchain框架（1-8-1 缓存机制——让 AI 应用“记住”高频问题）
摘要： 想象一下，你现在是一家大型电商平台的AI架构师。双十一期间，你的智能客服系统每天要处理千万级的用户咨询。每个问题都要调用昂贵的GPT-API，响应慢、成本高，用户投诉飙升……这时候，你会怎么做？" "我们会发现一个奇怪的现象——每天有30%的问题是完全相同的！用户都在问：'快递几天能到？'、'怎么退 阅读全文
posted @ 2026-01-30 11:18 万笑佛 阅读(260) 评论(0) 推荐(0)
AI开发-python-langchain框架（1-7 提示词-模板中的模板）
摘要： 本案例通过精心设计的提示模板，将历史对话内容与用户指令有机组合，引导模型生成精准的对话摘要。这种设计模拟了真实对话场景：模型既能回顾之前的交流内容，又能理解当前提出的总结要求，从而输出符合预期的结果。 消息模板：对话结构的骨架设计 聊天提示模板是整个流程的骨架，它定义了信息的组织方式。模板包含两个关 阅读全文
posted @ 2026-01-28 16:54 万笑佛 阅读(323) 评论(0) 推荐(0)
AI开发-python-langchain框架（1-6“示例学习”—— 少样本提示（Few-Shot Prompting））
摘要： 今天我们一起来看一段非常实用的 LangChain 代码，它展示了如何用 少样本提示（Few-Shot Prompting） 的方式，让大模型更聪明、更准确地回答数学问题。我会把核心知识点拆解清楚，帮助大家理解每一步的作用和背后的原理。 什么是“少样本提示”（Few-Shot Prompting）？ 阅读全文
posted @ 2026-01-26 12:44 万笑佛 阅读(58) 评论(0) 推荐(0)
AI开发-python-langchain框架（1-5 使用 Few-Shot Prompting 实现多跳推理问答：以历史人物寿命比较为例）
摘要： 想让大模型回答问题具有推理步骤如何实现？比如问大模型 李白和白居易谁活得的更久？这个问题，我们期望他按照如下这种格式回答： 问：李白去世时的年龄是多少？答案：李白去世时61岁。问：白居易去世时的年龄是多少？答案：白居易去世时74岁。所以最终答案是：白居易首先我们直接问大模型看他如何回答 from l 阅读全文
posted @ 2026-01-23 10:57 万笑佛 阅读(473) 评论(0) 推荐(0)
AI开发-python-langchain框架（1-4动态少样本提示）
摘要： 这个代码的核心功能是：基于输入词的长度动态选择反义词示例，并调用大模型生成反义词，体现了 “动态少样本提示（Dynamic Few-Shot Prompting）” 与 “上下文长度感知的示例选择” 的能力。 from langchain.prompts import FewShotPromptTe 阅读全文
posted @ 2026-01-22 19:31 万笑佛 阅读(391) 评论(0) 推荐(0)
下一页