文章比较了LangChain、LlamaIndex与从零自建三种LLM应用开发路径。LangChain覆盖广、集成多，适合快速原型和多工具智能体，但抽象层深、版本变动快，调试困难；LlamaIndex专注检索增强生成，索引与评估工具完善，适合文档问答，但不擅长复杂智能体；自建直接调用模型API，控制力强、易调试，适合需求明确、工程能力强的团队，但前期投入大。选择应依据项目阶段、团队经验和应用类型，可先原型后重构。

本文介绍LangChain学习第十篇，将本地博客问答封装为CLI工具。通过argparse实现search和ask两个子命令：search仅检索文章，ask检索后调用模型回答。CLI便于调试，验证RAG、Agent等核心链路。第一阶段已完成LLM调用、PromptTemplate、工具调用、RAG、记忆等基础实践，后续可扩展向量数据库、Web服务等。

本文介绍LangChain多轮RAG问答实现。通过MessagesPlaceholder将历史对话插入Prompt，每轮仍检索当前问题上下文，结合历史消息生成回答。用内存list保存HumanMessage和AIMessage，支持追问。限制是程序结束历史丢失、长对话占用上下文，无摘要压缩。核心公式：多轮对话=历史消息+当前问题+当前检索上下文。

本文介绍如何将Agent与RAG结合，构建博客问答Agent。它提供三个工具：检索文章、列出分类、读取来源，让Agent自主决定调用工具获取信息。通过工具抽象，Agent无需关心内部实现，并强调工具边界安全。最终，Agent负责决策，RAG工具查资料，LLM总结回答，实现更灵活的问答系统。

本文介绍RAG检索质量调优，重点实验三个参数：分类过滤（category）限定检索范围，top_k控制返回片段数量，chunk_size和chunk_overlap影响文档切分。通过标题加权和来源去重提升相关性，并输出调试信息帮助排查。建议先检查检索结果、chunk完整性，再调整top_k和prompt，而非直接归咎模型。

本文介绍LangChain第六篇，将RAG流程拆为构建索引和问答两阶段。构建索引时读取文章、切分、生成向量，保存为JSON文件；问答时加载索引，用余弦相似度检索并调用模型回答。该实现适合教学，但非生产级，真实项目需用向量数据库。

本文是LangChain系列第五篇教程，介绍使用教学版HashEmbeddings实现向量检索RAG。流程包括切分Markdown文档、生成向量、存入InMemoryVectorStore，并通过Retriever检索后交给模型回答。HashEmbeddings虽非语义模型，但演示了Embeddings、VectorStore和Retriever接口的使用。真实项目中可替换为OpenAIEmbeddings。下一篇将解决索引持久化问题。

本文介绍了一个基于本地Markdown文件的最小RAG（检索增强生成）问答系统实现。系统通过读取Hugo博客文章、去除front matter、切分文本，利用关键词检索相关片段，并组装Prompt让模型基于上下文回答。代码结构包括配置、模型、文档加载和检索问答模块。该方法不依赖向量数据库，逻辑透明，适合理解RAG基本流程，但存在关键词匹配敏感、无索引持久化等限制，后续将逐步优化。

本文介绍LangChain工具调用与Agent入门。通过@tool定义工具，bind_tools让模型返回tool_calls，手动执行工具并用ToolMessage回传结果；create_agent则自动完成调用循环。示例演示计算与字符统计，强调工具用于确定性任务，模型负责意图理解。

本教程介绍LangChain中PromptTemplate和结构化输出的用法。通过ChatPromptTemplate管理提示词模板，使用LCEL管道组合流程，并用PydanticOutputParser将模型输出解析为Python对象。文章包含代码示例、运行方法和常见问题，帮助读者掌握提示词模板化及结构化数据提取技巧。