基于 LangGraph，可以轻松实现不同设计模式的 Agent、RAG 等应用

这里以 Plan-and-Execute 为例，继续深入体验一下其功能

什么是 Plan and Execute

介绍

LangGraph 是 LangChain 社区下的新框架，主要用于构建基于状态的、多行动者的 LLM 应用，应用于 Agent 和复合 Agent 工作流

提供了对应用程序的流和状态的细粒度控制

注意

LangChain 生态下有了新的框架 LangGraph

langchain-ai/langgraph: Build resilient language agents as graphs. (github.com)

Agent 的重心也迁移到 LangGraph，所以 Agent 相关的内容会放在 LangGraph 内

langchain4j-spring 学习

介绍

langchain4j-spring 是 LangChain4j 下支持 Spring Starter 机制的仓库

截止到当前版本 0.31.0 来看，仓库下的 module 主要分为两大类

• 流行的集成的 Starter（popular integrations）
  • langchain4j-open-ai-spring-boot-starter：OpenAI LLM
  • langchain4j-azure-open-ai-spring-boot-starter：Azure OpenAI LLM
  • langchain4j-anthropic-spring-boot-starter：Anthropic LLM（Claude）
  • langchain4j-ollama-spring-boot-starter：Ollama LLM
• AiService、RAG、Tools 等工具的 Starter
  • langchain4j-spring-boot-starter：核心能力
  • langchain4j-easy-rag-spring-boot-starter

背景

Ragas 是一个帮助评估 RAG（Retrieval Augmented Generation）管道的框架

Ragas is a framework that helps you evaluate your Retrieval Augmented Generation (RAG) pipelines. RAG denotes a class of LLM applications that use external data to augment the LLM’s context. There are existing tools and frameworks that help you build these pipelines but evaluating it and quantifying your pipeline performance can be hard. This is where Ragas (RAG Assessment) comes in.

提供最新研究的工具评估 LLM 生成的文本，深入理解 RAG 管道；并且可以和 CI  CD 集成，提供持续的检查机制保证效果

Github explodinggradients / Ragas

索引（Indexing）API 支持将任何来源的文档加载到向量存储中并保持同步，具体来说有助于：

• 避免重复数据写入向量数据库
• 避免重写未更改的数据
• 避免在未更改的内容上重新计算 embeddings

这些目标可以帮助节省时间和金钱、改进矢量搜索结果

重要的是，即使原始文本经过了一些转换步骤（例如文本切分 chunking）索引依然可以生效

如何工作