#LangChain

1周前

在医院拍完胸部 X 光后，经常还需要排队等待拿结果给医生查看分析，折腾下来基本都要一个多小时。最近在 GitHub 上看到的 MedRAX 这款开源的医学影像分析智能体，正在试图改变我们这种传统方式。它集成了多个专业的胸部 X 光分析工具，基于 LangChain 和 LangGraph 框架构建，使用 GPT-4o 作为核心大模型。整合了视觉问答、图像分割、病灶定位、报告生成、疾病分类等 7 大类专业工具，无需额外训练即可智能调用这些工具完成复杂的医学影像分析任务。 GitHub：主要特性： - 视觉问答：使用 CheXagent 和 LLaVA-Med 进行复杂的医学影像理解和推理； - 精准分割：采用 MedSAM 和 PSPNet 模型识别解剖结构； - 病灶定位：通过 Maira-2 模型在影像中精确定位病变位置； - 报告生成：基于 SwinV2 Transformer 自动生成详细的医学诊断报告； - 疾病分类：利用 DenseNet-121 检测 18 种病理类别； - 综合评估：提供包含 2,500 个复杂医学查询的 ChestAgentBench 基准测试。克隆仓库并安装依赖后，运行即可启动 Gradio 界面使用，需要配置 OpenAI API 密钥，支持本地和云端部署。

谷歌Deep Research：AI操作系统雏形？· 123 条信息

#MedRAX #医学影像分析 #GPT-4o #LangChain #开源

𝗖𝘆𝗱𝗶𝗮𝗿

2周前

今天咱们从 LangChain Agent Builder 内测始！

#LangChain #Agent Builder #内测 #技术 #积极

2周前

留存下，LangChain 和 Manus关于上下文工程的对谈，应该算世界上最先进的「上下文工程」实践后的总结了。

#LangChain #Manus #上下文工程 #总结 #对谈

4周前

翻译了一下manus最近和Langchain的一个线上分享关于上下文工程的实践，还是有很多细节的虽然这些细节在执行过程中是容易理解找到方法去处理的但是也从侧面看到不论是制作垂类agents还是构建通用agents，在细节层面都需要经历各种各样的困难我们更应该怀揣敬畏的心去看待每一个在Agents Building路途上前进的人产品背后都是磨难

#LangChain #上下文工程 #Agents Building #技术细节 #敬畏之心

1个月前

LangChain 表示对可视化工作流工具并不感冒 1. 对普通人来说依然不够简单。我始终相信，一定存在比连线和节点更直观、更容易的方式，能让非技术用户创建、修改并快速调整“无代码”智能体（Agent）。 2. 复杂场景下根本无法扩展。一旦任务稍微复杂一些，这类工具就会变得极难维护，画面会迅速变得杂乱无章，让人无从下手。

#LangChain #可视化工作流工具 #无代码智能体 #易用性 #复杂性

2个月前

perplexity comet又立功了，claude code, gemini, codex轮番修没搞定的问题。comet一次搞定： const openAIApi = new ChatOpenAI({ apiKey: process.env.DATABRICKS_TOKEN, model: "<endpoint-name>", streaming: true, streamUsage: false, // 🔑 Key solution: disables stream_options configuration: { baseURL: "https://<host>/serving-endpoints", defaultHeaders: { "Databricks-Integration": "langchain" } }, maxTokens: 8192 });

#Perplexity Comet #代码修复 #Databricks #OpenAI API #LangChain

2个月前

收到朋友写的新书，构建AI智能体的硬核技术类书，langgraph是langchain生态的热门工具框架，也是langchain团队出品。智能体概念太火了，国内学习氛围也不错，专业书越来越多，推荐做智能体研发的朋友多看看。

#AI智能体 #LangGraph #LangChain #技术类书 #积极

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

2个月前

有网友问，开发agent用什么框架？推上大神看看我回答的有没有问题： “真手搓还是langchain吧，用的人多，各大厂的ADK也是个好选择，毕竟LLM的agentic能力越来越强；工作流类的用n8n/dify/coze这些。mvp我都想直接用claude code就干起来了。”

AI编程工具激战：Claude Code、Gemini Cli崛起· 1151 条信息

#Agent框架 #LangChain #LLM #n8n/dify/coze #Claude Code

2个月前

7.7K Star ⚡️ 最好的开源 Deep Research 平台发布！ Langchain 这个 open-deep-research 效果也太好了，在全球 DeepResearch benchmark 上登顶最好的开源 SOTA 效果 🔥 开源地址 👉

#开源 #Deep Research #LangChain #SOTA #Benchmark

3个月前

🦜 LangChain 官网走读：让 Agent 无处不在 💨 今天的内容介绍了 LangChain 官方网站的最新更新。重点包括新产品展示和 LangGraph 的发展，强调了官网结构简洁与资源丰富。同时提到 Agent Stack 及其主要功能，大家可参考官方文档以增强对产品的理解。 P.S.官方刚刚上线了 Open Deep Research 的视频

谷歌Deep Research：AI操作系统雏形？· 123 条信息

#LangChain #agent #LangGraph #Open Deep Research #AI

4个月前

最近上下文工程讨论的比较热闹，LangChain 博客上这篇博客更偏实现层面的分享，推荐阅读文润转译：

AI编程工具激战：Claude Code、Gemini Cli崛起· 1151 条信息

#上下文工程 #LangChain #技术博客 #实现层面 #推荐阅读

5个月前

建议大家，别在简历里写“熟悉 RAG”了，或者面试前好好学学。我面试过不少人，说熟悉 RAG，结果一问就穿帮。 RAG 绝大多数工程师只碰到前半段：拿个 LangChain，上个向量库，把 chunk 和 embedding 丢进去跑个检索；看起来跑通了，实际啥也没掌握。但只要你简历上写了，面试官就会问你下面这些（当然不写也不一定逃得过）： - chunk 是怎么切的？固定？语义？还是自适应？ - embedding 模型选型和维度怎么来的？ - rerank 用没用？怎么融合 BM25 和 dense 检索？ - prompt 是你写的吗？有没有评估 hit rate、hallucination？说实话，不是算法出身的人，如果没系统做过推荐系统或者检索优化，很多人说不清。 RAG 的前半段几乎就是推荐系统那套召回 + 排序 + 精排的逻辑： embedding = 向量化特征建模检索 = 多路召回 rerank = 打分排序但后半段还多了 prompt 设计、上下文拼接、生成模型行为控制这几个大坑。所以我劝一句： RAG 真不是写个向量库调用就叫“熟悉”。写了，面试官只会当你能答全链。别轻易说“熟悉”或“掌握”，你扛不住问。

谷歌Deep Research：AI操作系统雏形？· 123 条信息

#RAG面试 #LangChain #向量数据库 #检索优化 #prompt设计

1年前

说起来可能有人不信，我最早就是因为LangChain这坨屎山和公司负责人大吵一通然后离职，现在看到越来越多人吐槽这玩意说明我当时的眼光没错😅

#LangChain #吐槽 #离职 #负面评价 #屎山