212 lines
10 KiB
Markdown
212 lines
10 KiB
Markdown
# 大模型应用开发案例库
|
||
|
||
`LLM` `Agent` `RAG` `LangChain` `Prompt工程`
|
||
|
||
# 📚 仓库介绍
|
||
|
||
此仓库为大模型应用开发案例仓库，主要涵盖 Prompt 工程、大模型应用、RAG 检索增强、Agent 智能体等多个技术方向的实践案例。文件夹名按照应用分类进行命名，可作为学习和项目开发的参考。
|
||
|
||
早期有些案例使用了 LangChain 框架，主要是 v0.1 版本，相关模块代码在 `langchain-v0.1` 目录下。2025 年 10 月 20 日起，LangChain 框架升级至 v1.0 版本（官方首个全新稳定版本），主要模块代码在 `langchain-langgraph-V1.0` 目录下，涵盖 Agent、RAG、中间件、模型调用、上下文工程、结构化输出、工作流、图等内容。
|
||
|
||
---
|
||
|
||
# 🌟 推荐项目
|
||
|
||
* **深度搜索（DeepResearch）**
|
||
**路径**：`Agent/deep_search-dev/`
|
||
**技术**：FastAPI + Playwright + GLM-4.5-flash + 搜索工具
|
||
**功能**：基于大模型的深度搜索引擎，支持多轮迭代搜索、智能内容爬取、深度分析总结。能够对用户提出的复杂主题进行全方位信息收集与分析，生成专业研究报告。适用于市场调研、竞品分析、学术研究等场景。
|
||
|
||
* **Prompt 自动优化**
|
||
**路径**：`Prompt/prompt自动优化/`
|
||
**技术**：智谱 GLM-4-airx 模型
|
||
**功能**：自动化优化用户输入的 Prompt，提升大模型回答质量和准确率。主要针对带有正确标签的提示词优化，通过多轮迭代显著提高 Prompt 的有效性。
|
||
|
||
* **工具检索**
|
||
**路径**：`Rag/tool_retrieval/`
|
||
**技术**：RAG（稠密、稀疏、关键词、混合）+ FastAPI + Chroma 数据库 + 假设性问题
|
||
**功能**：一套完整服务，包含服务接口、数据库、检索方法、工具假设性问题生成。用户输入问题后，通过检索假设性问题库和工具库，合并排序去重，得到最相关工具，最终召回率达 94%。
|
||
|
||
* **深度研究（DeepResearch-langgraph）**
|
||
**路径**：`langchain-langgraph-V1.0/案例/Deep_Research/`
|
||
**技术**：langgraph-V1.0
|
||
**功能**：基于官方开源项目改编，用于学习 LangGraph。适配了 langgraph-v1.0 / langchain-v1.0 版本，添加自定义日志，模块化所有子图，注释改为中文，使用自定义兼容 OpenAI 的模型，支持 debug 调试，无需依赖 LangSmith 可视化。
|
||
|
||
* **Chat Agent Langgraph**
|
||
**路径**：`Agent/chat_agent_langgraph/`
|
||
**技术**：前端对话界面 + 后端 FastAPI + SQLite + langgraph-v1.0
|
||
**功能**：纯 AI 编写、后端 Python 人工把控。使用 LangGraph 搭建图片理解多轮对话 Agent，配套前端界面，包含用户管理、会话管理、多轮对话历史保存，以及 LangGraph 中长期记忆的使用与检索。
|
||
|
||
* **Agent 自我演进进化**
|
||
**路径**：`Agent自我进化演进`
|
||
**技术**：从相同任务中提取经验，在新任务上复用，以提高任务成功率
|
||
**功能**：基于开源框架改编，聚焦离线经验提取与复用，端到端直接可用。提取的经验可自行拼接到提示词中，提升任务完成效率。
|
||
|
||
---
|
||
|
||
# 🤖 Agent
|
||
|
||
* **Chat Agent Langgraph**
|
||
**路径**：`Agent/chat_agent_langgraph/`
|
||
**技术**：前端对话界面 + 后端 FastAPI + SQLite + langgraph-v1.0
|
||
**功能**：纯 AI 编写、后端 Python 人工把控。使用 LangGraph 搭建图片理解多轮对话 Agent，配套前端界面，包含用户管理、会话管理、多轮对话历史保存，以及 LangGraph 中长期记忆的使用与检索。
|
||
|
||
---
|
||
|
||
* **React Agent**
|
||
**路径**：`Agent/自定义 React Agant/`
|
||
**技术**：React Agent 框架
|
||
**功能**：实现论文《ReAct: Synergizing Reasoning and Acting in Language Models》中的 Agent 架构，通过"思考—行动—观察"循环模式解决复杂任务。附有详细架构图和实现说明，是理解现代 React Agent 设计的经典案例。
|
||
|
||
---
|
||
|
||
* **Task Plan Function Call Agent**
|
||
**路径**：`Agent/task_plane_function_call_agent/`
|
||
**技术**：任务拆解、任务执行、TPFC 架构 Agent 实现
|
||
**功能**：实现任务拆解、任务执行、函数调用等功能，基于 TPFC 架构。适用于需要复杂任务处理的场景，如项目管理、自动任务执行等。
|
||
|
||
---
|
||
|
||
* **data_analysic_agent**
|
||
**路径**：`Agent/data_analysic_agent/`
|
||
**技术**：数据分析智能体
|
||
**功能**：基于大模型的数据分析智能体，针对统计分析（如聚合操作、分组统计等），提供可视化分析结果与输出报告。
|
||
|
||
---
|
||
|
||
* **深度搜索（DeepResearch）**
|
||
**路径**：`Agent/deep_search-dev/`
|
||
**技术**：FastAPI + Playwright + GLM-4.5-flash + 搜索工具
|
||
**功能**：基于大模型的深度搜索引擎，支持多轮迭代搜索、智能内容爬取、深度分析总结。能够对用户提出的复杂主题进行全方位信息收集与分析，生成专业研究报告。适用于市场调研、竞品分析、学术研究等场景。
|
||
|
||
---
|
||
|
||
* **深度搜索（DeepResearch-Go）**
|
||
**路径**：`Agent/deep_search-dev-go/`
|
||
**技术**：FastAPI + Playwright + GLM-4.5-flash + 搜索工具（Googlesearch）
|
||
**功能**：功能与 Python 版深度搜索（DeepResearch）相同，采用 Go 语言实现，且由 AI 编写。
|
||
|
||
---
|
||
|
||
* **GLM 法律行业大模型挑战赛道**
|
||
**路径**：`Agent/GLM法律行业大模型挑战赛道(agent)/`
|
||
**技术**：LangChain-v0.1 Agent + 智谱 GLM 模型
|
||
**功能**：针对法律行业的智能问答系统，支持法条查询、案例分析、合同审查等法律专业场景。基于阿里天池比赛项目，展示 Agent 在专业领域的应用实践，主要用于学习。
|
||
|
||
---
|
||
|
||
* **LangChain Agent 使用**
|
||
**路径**：`Agent/gentlangchain中的agent使用/`
|
||
**技术**：LangChain 多种 Agent 类型
|
||
**功能**：系统实验 LangChain-v0.1 支持的各种 Agent 类型，包括 ConversationalAgent、StructuredChatAgent、PlanAndExecute 等。每种 Agent 均附有详细的使用场景说明和代码注释。建议优先使用 v1.0 新版本。
|
||
|
||
---
|
||
|
||
# 📂 RAG
|
||
|
||
* **《斗破苍穹》RAG 智能搜索**
|
||
**路径**：`Rag/《斗破苍穹》RAG智搜/`
|
||
**技术**：Langchain-v0.1 RAG + 智谱 GLM 系列 + LangGraph
|
||
**功能**：以热门小说《斗破苍穹》为测试对象，对比不同模型、分块策略、检索方法在小说问答场景下的效果，通过多组实验总结普通 RAG 的局限性与优化方向。
|
||
|
||
---
|
||
|
||
* **电影评论智能检索（CSV）**
|
||
**路径**：`Rag/电影评论检索/`
|
||
**技术**：GLM-4 + Prompt 工程
|
||
**功能**：通过精心设计的 Prompt 模板，让模型从电影评论数据中准确检索相关信息，支持按情感、主题、演员等多维度检索，基于 langchain-v0.1。
|
||
|
||
---
|
||
|
||
* **工具检索**
|
||
**路径**：`Rag/tool_retrieval/`
|
||
**技术**：RAG（稠密、稀疏、关键词、混合）+ FastAPI + Chroma 数据库 + 假设性问题
|
||
**功能**：一套完整服务，包含服务接口、数据库、检索方法、工具假设性问题生成。用户输入问题后，通过检索假设性问题库和工具库，合并排序去重，得到最相关工具，最终召回率达 94%。
|
||
|
||
---
|
||
|
||
# 🤝 RAG + Agent
|
||
|
||
* **智能问答系统（Agent+RAG）**
|
||
**路径**：`Rag+Agent/智能问答系统(Agent+RAG)/`
|
||
**技术**：Agent + RAG + GLM-4 + LangChain-v0.1
|
||
**功能**：基于 Agent 和 RAG 技术的问答系统，源自阿里天池练习项目。Text2SQL 任务使用 Agent，招股书检索任务使用 RAG，直接调用 LangChain 的 Agent 与 RAG 实现。
|
||
|
||
---
|
||
|
||
* **智能问答系统（Agent+RAG）-1**
|
||
**路径**：`Rag+Agent/智能问答系统(Agent+RAG)-1/`
|
||
**技术**：Agent + RAG + GLM-4
|
||
**功能**：完全自主实现的 Agent 框架，架构为"任务规划—执行"模式：先规划所有任务，再逐步执行。
|
||
|
||
---
|
||
|
||
# 💡 Prompt
|
||
|
||
* **Prompt 自动优化**
|
||
**路径**：`Prompt/prompt自动优化/`
|
||
**技术**：智谱 GLM-4-airx 模型
|
||
**功能**：自动化优化用户输入的 Prompt，提升大模型回答质量和准确率。主要针对带有正确标签的提示词优化，通过多轮迭代显著提高 Prompt 有效性。
|
||
|
||
---
|
||
|
||
* **VLLM 推理加速**
|
||
**路径**：`Prompt/vllm推理/`
|
||
**技术**：VLLM + Transformers 对比
|
||
**功能**：对比测试 VLLM 推理框架与传统 Transformers 的性能差异。在句子相似度任务上，VLLM 相比传统方式提速 10 倍以上。
|
||
|
||
---
|
||
|
||
* **专业智能识别系统**
|
||
**路径**：`Prompt/专业识别/`
|
||
**技术**：LangChain RAG + 通义千问 Qwen 系列
|
||
**功能**：从大量专业中智能识别用户问题的相关专业领域。通过向量检索召回相关专业，再由大模型进行最终判断。
|
||
|
||
---
|
||
|
||
* **句子语义相似度识别**
|
||
**路径**：`Prompt/句子语义相似识别/`
|
||
**技术**：LangChain 批量调用 + Qwen 模型
|
||
**功能**：高精度识别两个句子的语义相似程度，支持中文语义理解。
|
||
|
||
---
|
||
|
||
* **实体命名识别系统**
|
||
**路径**：`Prompt/实体识别/`
|
||
**技术**：LangChain + 大模型 NER
|
||
**功能**：从文本中自动识别和提取命名实体，包括人名、地名、机构名、时间等。
|
||
|
||
---
|
||
|
||
* **评论情感分析识别**
|
||
**路径**：`Prompt/评论情感识别/`
|
||
**技术**：Qwen 系列 + 情感词典
|
||
**功能**：结合大模型与中文情感词典的评论情感识别系统，支持正面、负面、中性情感判断及情感强度分析。可应用于产品评价分析、舆情监控等场景。
|
||
|
||
---
|
||
|
||
* **PDF 长文档理解**
|
||
**路径**：`Prompt/PDF文件理解/`
|
||
**技术**：GLM-4-long + LangChain 文档处理
|
||
**功能**：测试大模型对长 PDF 文档的理解能力，支持 11 万字级别的长文本处理。
|
||
|
||
---
|
||
|
||
# 🔧 langchain-v0.1
|
||
|
||
LangChain 模块代码（v0.1 版本），主要集成：
|
||
|
||
1. RAG 流程（文档加载、分割、向量化入库、检索）
|
||
2. 提示词模板、链、工具、记忆等（在 v1.0 中这些已非重点，部分已被精简）
|
||
|
||
---
|
||
|
||
# 🛠️ langchain-langgraph-V1.0
|
||
|
||
官方第一个大版本，基于 v1.0 的代码案例，保存作为学习笔记。该版本对 Agent 的支持更加完善。运行示例前，需根据目录中的 `requirements.txt` 配置对应环境。
|
||
|
||
---
|
||
|
||
# ⚙️ llamaindex
|
||
|
||
LlamaIndex RAG 使用示例（具体版本已不记得）。 |