做一个有温度和有干货的技术分享作者 —— Qborfy

今天我们来学习 无监督学习

一句话核心：让AI在「没有标准答案」的数据中自己发现规律——像人类探索未知世界！

做一个有温度和有干货的技术分享作者 —— Qborfy

今天我们来学习 强化学习

一句话核心：AI在试错中成长，像小孩学走路，通过奖励/惩罚信号找到最优行为策略

做一个有温度和有干货的技术分享作者 —— Qborfy

今天我们来学习 监督学习。

是什么

监督学习：让AI像学生一样，通过「带答案的习题集」学习总结出规律，然后根据规律应用到新的习题中。

监督学习，是机器学习中的一种方式，把已经分类的数据给到数据模型，让模型自己学习规律，然后对没有分类的数据进行分类。

做一个有温度和有干货的技术分享作者 —— Qborfy

前面我们已经学习如何通过 Langchain调用独立部署的DeepSeek-R1:32b模型，且完成一些简单的应用，如： RAG 知识库的实现。

接下来我们学习如何通过LangChain实现一个Agent智能体，从而让 AI 模型帮忙实现做更多事情。

做一个有温度和有干货的技术分享作者 —— Qborfy

回顾一下LangChain系列学习文章：

• 04篇 AI从零开始 - LangChain学习与实战(1) 基础知识
• 05篇 AI从零开始 - LangChain学习与实战(2) PromptTemplate降低AI幻觉
• 06篇 AI从零开始 - LangChain学习与实战(3) LCEL工作流编排原理与实战
• 07篇 AI从零开始 - LangChain学习与实战(4) LangServer部署
• 08篇 AI从零开始 - LangChain学习与实战(5) 基于RAG开发问答机器人

经过LangChain系列文章的学习后， 现在我们需要通过 LangChain + 大模型 + 低代码平台， 开发具备实际功能的 AI 应用：

低代码平台AI助手：通过用户输入自然语言能实现 低代码平台页面生成、编辑等

做一个有温度和有干货的技术分享作者 —— Qborfy

前面几篇学习LangChain，基本上完成对 LangChain从开发到上线有一个整体的了解，那么接下来我们就要开始实战了，我们将会使用LangChain开发一个问答机器人，这个问答机器人将会使用到RAG模型，那么接下来我们开始学习RAG。

做一个有温度和有干货的技术分享作者 —— Qborfy

从 LangChain系列文章开始到现在，我们学习 LangChain的基础知识和实战撸代码，现在我们假设已经开发好一个 LangChain链式任务，那么如何部署以及如何与 web服务进行互相调用呢？

那么接下来我们应该就学习LangServer与LangSmith，如何让 LangChain进行企业级开发。

LangServer: 帮开发者将 LangChain 部署一个 Restful 服务。

LangSmith: 监控 LangChain调用链路服务和提供更加友好的可视化界面。

做一个有温度和有干货的技术分享作者 —— Qborfy

上一篇文章我们学习05篇 AI从零开始 - LangChain学习与实战(2) PromptTemplate降低AI幻觉，对 LangChain实际应用有了基本的了解，接下我们会进入 LangChain最重要的一次学习，就是 LangChain工作流编排原理与实战(LCEL), 学了本文基本上后续 LangChain实际开发都可以独立完成，本文内容较多，建议大家收藏，慢慢学习。

做一个有温度和有干货的技术分享作者 —— Qborfy

上一节学习了04篇 AI从零开始 - LangChain学习与实战(1) 基础知识，对Langchain有了基础的认知和简单应用，其中我们使用PromptTemplate去实现一次大模型对话。

同时我们在03篇 AI从零开始 - Prompt提示语学习与应用也学习了提示语生成规范，但是在结合 LangChain中我们应该如何利用PromptTemplate提示模板+提示语规范去降低 AI幻觉呢？

AI幻觉, 指人工智能（尤其是大语言模型）生成看似合理但实际错误、虚构或与现实不符的内容的现象。本质是模型在缺乏真实理解能力的情况下，基于统计模式生成的「自信错误」。

做一个有温度和有干货的技术分享作者 —— Qborfy

上一节学习了03篇 AI从零开始 - AI从零开始 - Prompt提示语学习与应用，但是我们发现，Prompt提示语虽然可以让我们得到想要的答案，但是它也有缺点，比如：

• 只调用单个大模型的对话提示语来生成答案，且无法验证答案的正确性；
• 大模型是没有记忆能力，且有token上下对话长度限制，无法实现多轮对话；
• 多步骤推理任务，需要多次调用大模型，效率低下

如果要开发一个完整 LLM应用，开发者需要手动处理：

• 多组件集成：模型调用、外部数据源、记忆存储、业务逻辑等模块的拼接
• 上下文管理：对话历史、长期记忆、知识库检索的复杂交互
• 流程编排：多步骤推理、条件分支、循环控制等逻辑

接下来，我们学习一下LangChain，它是一个基于链式调用的LLM框架，可以让我们更加方便地使用大模型，实现多轮对话、多步骤推理等复杂功能。