使用LangChain实现文本嵌入：OpenAI与BGE模型对比实践
在自然语言处理领域，文本嵌入（Text Embeddings）是一项核心技术，它能够将文本转换为高维向量表示，使计算机能够更好地理解和处理文本数据。本文将通过实践示例，展示如何使用LangChain框架来实现文本嵌入，并对比OpenAI和BGE（BAAI）两种不同的嵌入模型。
#Langchain
← 全部文章在LangChain中配置 ChatOpenAI：设置 HTTP 代理并关闭 SSL 验证
在使用LangChain的ChatOpenAI访问LLM的API时，有时会遇到需要通过HTTP代理访问LLM API的场景，或者由于本地网络环境、公司内网等原因，需要关闭SSL证书验证。本文将介绍如何通过httpx客户端在LangChain中实现这两个需求。
LangChain OutputParser 与 Structured Output：OpenAI API请求格式对比
在使用LangChain进行结构化数据抽取时，常见的两种方式分别是OutputParser和Structured Output。二者在调用OpenAI API时的请求报文和底层机制存在明显差异。本文通过具体代码示例，详细对比这两种方式的实现细节、API请求体、响应内容，并分析各自的优缺点和适用场景，可根据实际需求做出选择。
LangChain笔记01:Prompt templates,Chat Models,Messages,Output parsers,Structured output
概念 Prompt template、Chat Model、Messages、Output parser、Structured output是LangChain框架的重要组件和概念。通过有效地组合这些组件，可以构建出简单的LLM应用。 Prompt template：用于提取模型"提示"中静态部分的组件（通常是一系列消息）。它们对于序列化、版本控制和重用这些静态部分非常有用。 Chat Model：通过Chat API暴露的大语言模型，处理一系列消息作为输入并输出一条消息。 Messages：聊天模型中的通信单位，用于表示模型的输入和输出。 Output parser：负责将模型的输出转换为更适合下游任务的格式。在工具调用(Tool calling)和结构化输出(Structured output)普及之前，输出解析器主要用于此目的。 Structured output：一种使ChatModel以结构化格式（如符合给定模式的JSON）响应的技术。 可以以通过两种方式组合这些组件：