尧图网页设计 
Langchain-Chatchat 的 Wolfram Alpha 工具wolfram深度解析配置 AppID、注册机制与 Agent 复杂计算实战【免费下载链接】Langchain-ChatchatLangchain-Chatchat原Langchain-ChatGLM基于 Langchain 与 ChatGLM, Qwen 与 Llama 等语言模型的 RAG 与 Agent 应用 | Langchain-Chatchat (formerly langchain-ChatGLM), local knowledge based LLM (like ChatGLM, Qwen and Llama) RAG and Agent app with langchain项目地址: https://gitcode.com/GitHub_Trending/la/Langchain-ChatchatWolfram Alpha 是面向数学计算、科学知识查询的“计算知识引擎”能直接回答积分、方程求解、单位换算、化学分子量等复杂问题正好弥补大模型在精确计算与结构化知识上的短板。本文以 markdown_docs/server/agent/tools/wolfram.md 为核心结合 Langchain-Chatchat 仓库中的真实源码与配置完整讲解wolfram工具的函数语义、输入输出格式、AppID 配置与启用步骤、注册与 Agent 调用链以及实践中的注意事项。读完你既能直接配置出一个可用的 Wolfram Alpha 工具也能理解它被 Agent 调度执行的全过程。一、工具定位Wolfram 工具解决什么问题在 Langchain-Chatchat 的 Agent 体系中工具Tool是让大模型“行动”的触手。wolfram工具承担的任务是把大模型理解到的“需要精确计算或科学知识查询的问题”转发给 Wolfram Alpha API并返回计算结果。它在 Agent 场景下的典型价值包括复杂公式运算如22、积分、求导、级数展开等符号与数值计算科学常量与单位换算、物理化学属性查询需要权威数据支撑的知识型问答。当用户提问包含上述需求时Agent 会依据工具描述description判断该调用wolfram工具把用户问题原文作为query传入从而把“生成能力”与“计算能力”解耦——这正是知识库 RAG 之外Langchain-Chatchat 作为 Agent 应用的重要能力维度。二、源码实现剖析wolfram 函数的核心逻辑当前仓库中wolfram工具的实现位于 libs/chatchat-server/chatchat/server/agent/tools_factory/wolfram.py全文仅 22 行逻辑非常收敛# Langchain 自带的 Wolfram Alpha API 封装 from chatchat.server.pydantic_v1 import Field from chatchat.server.utils import get_tool_config from .tools_registry import regist_tool from langchain_chatchat.agent_toolkits.all_tools.tool import ( BaseToolOutput, ) regist_tool def wolfram(query: str Field(descriptionThe formula to be calculated)): Useful for when you need to calculate difficult formulas from langchain.utilities.wolfram_alpha import WolframAlphaAPIWrapper wolfram WolframAlphaAPIWrapper( wolfram_alpha_appidget_tool_config(wolfram).get(appid) ) ans wolfram.run(query) return BaseToolOutput(ans)对照文档的描述可以从源码中读出四个关键设计函数签名即工具 Schemaquery参数使用 pydantic 的Field(descriptionThe formula to be calculated)声明它既说明该参数代表“待计算的公式”也是后续工具输入校验args_schema的依据。通过regist_tool装饰器注册函数被定义后即自动登记到全局工具注册表无需手动追加这也是它能够被 Agent 框架发现和调用的前提详见下文第四节。AppID 由配置中心动态注入get_tool_config(wolfram).get(appid)负责在调用时从运行时配置中读取wolfram工具项下的appid源码中不硬编码任何密钥。使用 Langchain 官方封装、懒加载WolframAlphaAPIWrapper在函数体内才 import。从源码结构可以推断这种“函数内 import”的懒加载方式使得即使运行环境尚未安装langchain.utilities.wolfram_alpha对应的依赖工具本身也能正常注册只有真正被调用时才会触发依赖加载从而避免注册阶段因缺依赖而整体失败。调用关系非常直接wolfram(query)→WolframAlphaAPIWrapper.run(query)→ 返回 Wolfram Alpha 的计算结果最后用BaseToolOutput统一包装后返回给上层调用方如 Agent 执行器、回调处理器。关于文档记载的 WolframInput 类原始文档中还记载了一个继承自BaseModel的WolframInput类其属性用于描述“需要计算的问题”例如属性名location。需要说明的是这是文档基于早期实现形态的记录而当前仓库版本 tools_factory/wolfram.py 中已不存在独立的WolframInput模型——它对应的“输入数据封装与校验”职责已演化为直接在函数签名中通过Field描述参数query: str。两者表达的是同一概念定义一个承载计算问题文本的参数并让它参与 pydantic 校验与序列化。当 Agent 按结构化参数调用该工具时传入的参数正是该query字段。三、启用与配置从 use 开关到 AppID 填写的完整链路3.1 配置项结构与默认值wolfram工具的配置项定义在 libs/chatchat-server/chatchat/settings.py 的ToolSettings中wolfram: dict { use: False, appid: , }默认状态下use为False、appid为空字符串意味着工具默认处于未启用状态即使 Agent 意识到应该计算也会因缺少凭证而无法真正执行。ToolSettings是一个基于 pydantic-settings 的配置容器见 settings.py支持从CHATCHAT_ROOT下的tool_settings.yaml/tool_settings.json文件读取覆盖并在启动时通过create_template_file自动生成模板文件见 settings.py。运行时工具侧通过 server/utils.py 的 get_tool_config 读取def get_tool_config(name: str None) - Dict: from chatchat.settings import Settings if name is None: return Settings.tool_settings.model_dump() else: return Settings.tool_settings.model_dump().get(name, {})调用get_tool_config(wolfram)即返回{use: ..., appid: ...}字典wolfram.py中再取其中的appid字段。这也解释了为什么修改配置文件后工具能立即读到最新凭证——因为 AppID 是在每次工具被调用时才动态读取的。3.2 一步一步完成配置要让wolfram工具真正可用需要按以下步骤操作申请 AppID前往 Wolfram Alpha 官方开发者服务获取一个应用程序 IDAppID。该 ID 用于标识调用者身份并完成鉴权属于敏感凭证应妥善保管。注意原文档提醒使用前必须确保已获得有效的wolfram_alpha_appid且正确配置在工具创建处。编辑配置文件在CHATCHAT_ROOT下的tool_settings.yaml或tool_settings.json中找到wolfram配置节改为wolfram: use: true appid: YOUR-WOLFRAM-ALPHA-APPID # 替换为真实申请的 AppID重启 / 触发配置热加载配置容器支持 auto_reload见 settings.py但最稳妥的方式仍是重启服务让新的appid完整生效。在 Agent 对话中启用该工具仅修改配置文件还不够实际发起 Agent 对话时还需要在请求的 tool_choice 工具列表中点选wolfram详见第五节。在 WebUI 对话页中工具会以多选控件形式列出勾选即可见 webui_pages/dialogue/dialogue.py。四、注册机制一个工具是如何进入全局注册表的理解wolfram工具能被执行的前提是看懂regist_tool装饰器。其实现位于 tools_factory/tools_registry.py核心动作有三def _parse_tool(t: BaseTool): nonlocal description, title _TOOLS_REGISTRY[t.name] t # ① 写入全局注册表 if not description: description t.func.__doc__ # ② 默认取函数 docstring t.description .join(re.split(r\n\s*, description)) # ③ 拍平为单行 if not title: title .join([x.capitalize() for x in t.name.split(_)]) t.title title注册装饰器内部把 Langchain 的tool装饰结果存入模块级字典_TOOLS_REGISTRY键为工具名wolfram。描述生成若未显式传入 description就取被装饰函数的 docstring。对wolfram来说即Useful for when you need to calculate difficult formulas——这正是 Agent 做工具选择时判断“该不该调用它”的依据文本。多个换行会被压缩为单个空格避免描述中出现奇怪的空白。人类可读标题按工具名自动生成驼峰标题wolfram→Wolfram用于 WebUI 等面向用户的展示。在 tools_factory/init.py 中wolfram与 arxiv、calculate、shell、search_internet 等一起被显式导入从而保证模块加载即触发注册from .wolfram import wolfram此外该文件还通过 monkey-patch 方式修复了 LangchainBaseTool对 pydantic Field 参数 schema 的处理见 tools_registry.py使得wolfram(query: str Field(...))这类“用 Field 直接声明参数”的写法能正确解析为工具输入 schema——这也是上一节所述“WolframInput 职责已并入函数签名”能够成立的技术前提。五、Agent 调用链从工具选择到结果返回wolfram工具在运行时被 Agent 调用的完整链路如下全量工具清单get_tool()见 server/utils.py返回_TOOLS_REGISTRY中的所有已注册工具。按请求过滤在 server/chat/chat.py 的 Agent 会话构建逻辑中只有名称落在请求tool_config列表内的工具才会被绑定到当前会话all_tools get_tool().values() tools [tool for tool in all_tools if tool.name in tool_config] tools [t.copy(update{callbacks: callbacks}) for t in tools]工具列表查询接口前端/外部调用方可以通过工具路由查询当前可用的工具及元信息底层同样走get_tool()/get_tool(name)见 api_server/tool_routes.py据此渲染勾选项。模型决策与执行当用户问题命中wolfram的工具描述语义时Agent 根据结构化参数生成工具调用请求传入query框架解析输入后执行wolfram.run(query)得到计算结果再回传给大模型组织最终答案。由此可见虽然wolfram工具本身只有薄薄一层转发逻辑但它被设计为“即插即用”的标准化工具后端按请求动态装配不会给未选中的会话带来额外开销。六、返回结果、输出示例与使用注意6.1 返回结果形态wolfram.run(query)的返回值被BaseToolOutput包装后返回。BaseToolOutput是 Langchain-Chatchat 对工具输出做的统一封装见wolfram.py顶部 import 的 langchain_chatchat/agent_toolkits/all_tools/tool.py目的是让各类工具文本、结构化数据、知识库文档以一致的数据结构在上层流转。原文档同时提醒查询结果的具体格式与内容取决于 Wolfram Alpha API 的返回值可能包含文本、图像或其他数据类型。也就是说wolfram工具的输出是否足够“漂亮”一定程度依赖所查询问题在 Wolfram Alpha 侧被解析的质量。6.2 输出示例假设对 Wolfram Alpha 发起一个最简单查询22文档给出的简化示例如下4需要强调的是这只是一个简化示例用于帮助理解工具的基本输入输出形态。真实响应通常包含更丰富的结构化信息实际内容取决于查询本身和 API 的响应例如科学计算类问题可能返回公式、单位乃至图表等多段信息。6.3 使用注意清单结合原文档与源码实现落地使用时有几点需要特别留意AppID 必须有效且已正确配置缺失或无效的 AppID 会导致 API 鉴权失败工具无法返回计算结果。配置只在调用时读取见第三节改完务必确认已生效。先开启 use再在会话中选择工具仅配置appid而use仍为False或未在对话请求的 tool_choice 中勾选wolframAgent 都不会实际调用它。问题描述要准确query应当是对“待计算内容”的准确表述——既然是数学/科学计算工具越精确的公式与单位越容易得到高质量结果模糊的自然语言可能无法被 Wolfram Alpha 正确解析。懒加载与缺依赖由于WolframAlphaAPIWrapper在函数体内才导入若部署环境缺少 langchain 的 Wolfram Alpha 相关依赖报错会在工具被实际调用时才出现排查时需留意运行日志。适用边界该工具面向的是 Wolfram Alpha 能回答的计算与知识查询。对于聊天、常识问答或本地知识库检索类问题应交给对话与 RAG 链路处理而不是强行路由给wolfram。七、结语wolfram是 Langchain-Chatchat 工具体系中“小而专”的典型对外它以极简的函数签名暴露“输入公式、返回计算结果”的能力对内它完整走通了regist_tool注册 →get_tool_config动态取参 → Agent 按 tool_config 装配 → 执行并回传的整条调用链。借助本文梳理的配置链路与源码证据你可以在自己的部署中快速启用该工具也可以把它作为范本为项目扩展同类“调用外部计算/知识服务”的 Agent 工具。想进一步了解 Agent 工具体系的整体设计可继续阅读 agent 相关文档 与 tools 目录下的其他工具说明 对照学习。【免费下载链接】Langchain-ChatchatLangchain-Chatchat原Langchain-ChatGLM基于 Langchain 与 ChatGLM, Qwen 与 Llama 等语言模型的 RAG 与 Agent 应用 | Langchain-Chatchat (formerly langchain-ChatGLM), local knowledge based LLM (like ChatGLM, Qwen and Llama) RAG and Agent app with langchain项目地址: https://gitcode.com/GitHub_Trending/la/Langchain-Chatchat创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Langchain-Chatchat 的 Wolfram Alpha 工具（wolfram）深度解析：配置 AppID、注册机制与 Agent 复杂计算实战
Langchain-Chatchat 的 Wolfram Alpha 工具wolfram深度解析配置 AppID、注册机制与 Agent 复杂计算实战【免费下载链接】Langchain-ChatchatLangchain-Chatchat原Langchain-ChatGLM基于 Langchain 与 ChatGLM, Qwen 与 Llama 等语言模型的 RAG 与 Agent 应用 | Langchain-Chatchat (formerly langchain-ChatGLM), local knowledge based LLM (like ChatGLM, Qwen and Llama) RAG and Agent app with langchain项目地址: https://gitcode.com/GitHub_Trending/la/Langchain-ChatchatWolfram Alpha 是面向数学计算、科学知识查询的“计算知识引擎”能直接回答积分、方程求解、单位换算、化学分子量等复杂问题正好弥补大模型在精确计算与结构化知识上的短板。本文以 markdown_docs/server/agent/tools/wolfram.md 为核心结合 Langchain-Chatchat 仓库中的真实源码与配置完整讲解wolfram工具的函数语义、输入输出格式、AppID 配置与启用步骤、注册与 Agent 调用链以及实践中的注意事项。读完你既能直接配置出一个可用的 Wolfram Alpha 工具也能理解它被 Agent 调度执行的全过程。一、工具定位Wolfram 工具解决什么问题在 Langchain-Chatchat 的 Agent 体系中工具Tool是让大模型“行动”的触手。wolfram工具承担的任务是把大模型理解到的“需要精确计算或科学知识查询的问题”转发给 Wolfram Alpha API并返回计算结果。它在 Agent 场景下的典型价值包括复杂公式运算如22、积分、求导、级数展开等符号与数值计算科学常量与单位换算、物理化学属性查询需要权威数据支撑的知识型问答。当用户提问包含上述需求时Agent 会依据工具描述description判断该调用wolfram工具把用户问题原文作为query传入从而把“生成能力”与“计算能力”解耦——这正是知识库 RAG 之外Langchain-Chatchat 作为 Agent 应用的重要能力维度。二、源码实现剖析wolfram 函数的核心逻辑当前仓库中wolfram工具的实现位于 libs/chatchat-server/chatchat/server/agent/tools_factory/wolfram.py全文仅 22 行逻辑非常收敛# Langchain 自带的 Wolfram Alpha API 封装 from chatchat.server.pydantic_v1 import Field from chatchat.server.utils import get_tool_config from .tools_registry import regist_tool from langchain_chatchat.agent_toolkits.all_tools.tool import ( BaseToolOutput, ) regist_tool def wolfram(query: str Field(descriptionThe formula to be calculated)): Useful for when you need to calculate difficult formulas from langchain.utilities.wolfram_alpha import WolframAlphaAPIWrapper wolfram WolframAlphaAPIWrapper( wolfram_alpha_appidget_tool_config(wolfram).get(appid) ) ans wolfram.run(query) return BaseToolOutput(ans)对照文档的描述可以从源码中读出四个关键设计函数签名即工具 Schemaquery参数使用 pydantic 的Field(descriptionThe formula to be calculated)声明它既说明该参数代表“待计算的公式”也是后续工具输入校验args_schema的依据。通过regist_tool装饰器注册函数被定义后即自动登记到全局工具注册表无需手动追加这也是它能够被 Agent 框架发现和调用的前提详见下文第四节。AppID 由配置中心动态注入get_tool_config(wolfram).get(appid)负责在调用时从运行时配置中读取wolfram工具项下的appid源码中不硬编码任何密钥。使用 Langchain 官方封装、懒加载WolframAlphaAPIWrapper在函数体内才 import。从源码结构可以推断这种“函数内 import”的懒加载方式使得即使运行环境尚未安装langchain.utilities.wolfram_alpha对应的依赖工具本身也能正常注册只有真正被调用时才会触发依赖加载从而避免注册阶段因缺依赖而整体失败。调用关系非常直接wolfram(query)→WolframAlphaAPIWrapper.run(query)→ 返回 Wolfram Alpha 的计算结果最后用BaseToolOutput统一包装后返回给上层调用方如 Agent 执行器、回调处理器。关于文档记载的 WolframInput 类原始文档中还记载了一个继承自BaseModel的WolframInput类其属性用于描述“需要计算的问题”例如属性名location。需要说明的是这是文档基于早期实现形态的记录而当前仓库版本 tools_factory/wolfram.py 中已不存在独立的WolframInput模型——它对应的“输入数据封装与校验”职责已演化为直接在函数签名中通过Field描述参数query: str。两者表达的是同一概念定义一个承载计算问题文本的参数并让它参与 pydantic 校验与序列化。当 Agent 按结构化参数调用该工具时传入的参数正是该query字段。三、启用与配置从 use 开关到 AppID 填写的完整链路3.1 配置项结构与默认值wolfram工具的配置项定义在 libs/chatchat-server/chatchat/settings.py 的ToolSettings中wolfram: dict { use: False, appid: , }默认状态下use为False、appid为空字符串意味着工具默认处于未启用状态即使 Agent 意识到应该计算也会因缺少凭证而无法真正执行。ToolSettings是一个基于 pydantic-settings 的配置容器见 settings.py支持从CHATCHAT_ROOT下的tool_settings.yaml/tool_settings.json文件读取覆盖并在启动时通过create_template_file自动生成模板文件见 settings.py。运行时工具侧通过 server/utils.py 的 get_tool_config 读取def get_tool_config(name: str None) - Dict: from chatchat.settings import Settings if name is None: return Settings.tool_settings.model_dump() else: return Settings.tool_settings.model_dump().get(name, {})调用get_tool_config(wolfram)即返回{use: ..., appid: ...}字典wolfram.py中再取其中的appid字段。这也解释了为什么修改配置文件后工具能立即读到最新凭证——因为 AppID 是在每次工具被调用时才动态读取的。3.2 一步一步完成配置要让wolfram工具真正可用需要按以下步骤操作申请 AppID前往 Wolfram Alpha 官方开发者服务获取一个应用程序 IDAppID。该 ID 用于标识调用者身份并完成鉴权属于敏感凭证应妥善保管。注意原文档提醒使用前必须确保已获得有效的wolfram_alpha_appid且正确配置在工具创建处。编辑配置文件在CHATCHAT_ROOT下的tool_settings.yaml或tool_settings.json中找到wolfram配置节改为wolfram: use: true appid: YOUR-WOLFRAM-ALPHA-APPID # 替换为真实申请的 AppID重启 / 触发配置热加载配置容器支持 auto_reload见 settings.py但最稳妥的方式仍是重启服务让新的appid完整生效。在 Agent 对话中启用该工具仅修改配置文件还不够实际发起 Agent 对话时还需要在请求的 tool_choice 工具列表中点选wolfram详见第五节。在 WebUI 对话页中工具会以多选控件形式列出勾选即可见 webui_pages/dialogue/dialogue.py。四、注册机制一个工具是如何进入全局注册表的理解wolfram工具能被执行的前提是看懂regist_tool装饰器。其实现位于 tools_factory/tools_registry.py核心动作有三def _parse_tool(t: BaseTool): nonlocal description, title _TOOLS_REGISTRY[t.name] t # ① 写入全局注册表 if not description: description t.func.__doc__ # ② 默认取函数 docstring t.description .join(re.split(r\n\s*, description)) # ③ 拍平为单行 if not title: title .join([x.capitalize() for x in t.name.split(_)]) t.title title注册装饰器内部把 Langchain 的tool装饰结果存入模块级字典_TOOLS_REGISTRY键为工具名wolfram。描述生成若未显式传入 description就取被装饰函数的 docstring。对wolfram来说即Useful for when you need to calculate difficult formulas——这正是 Agent 做工具选择时判断“该不该调用它”的依据文本。多个换行会被压缩为单个空格避免描述中出现奇怪的空白。人类可读标题按工具名自动生成驼峰标题wolfram→Wolfram用于 WebUI 等面向用户的展示。在 tools_factory/init.py 中wolfram与 arxiv、calculate、shell、search_internet 等一起被显式导入从而保证模块加载即触发注册from .wolfram import wolfram此外该文件还通过 monkey-patch 方式修复了 LangchainBaseTool对 pydantic Field 参数 schema 的处理见 tools_registry.py使得wolfram(query: str Field(...))这类“用 Field 直接声明参数”的写法能正确解析为工具输入 schema——这也是上一节所述“WolframInput 职责已并入函数签名”能够成立的技术前提。五、Agent 调用链从工具选择到结果返回wolfram工具在运行时被 Agent 调用的完整链路如下全量工具清单get_tool()见 server/utils.py返回_TOOLS_REGISTRY中的所有已注册工具。按请求过滤在 server/chat/chat.py 的 Agent 会话构建逻辑中只有名称落在请求tool_config列表内的工具才会被绑定到当前会话all_tools get_tool().values() tools [tool for tool in all_tools if tool.name in tool_config] tools [t.copy(update{callbacks: callbacks}) for t in tools]工具列表查询接口前端/外部调用方可以通过工具路由查询当前可用的工具及元信息底层同样走get_tool()/get_tool(name)见 api_server/tool_routes.py据此渲染勾选项。模型决策与执行当用户问题命中wolfram的工具描述语义时Agent 根据结构化参数生成工具调用请求传入query框架解析输入后执行wolfram.run(query)得到计算结果再回传给大模型组织最终答案。由此可见虽然wolfram工具本身只有薄薄一层转发逻辑但它被设计为“即插即用”的标准化工具后端按请求动态装配不会给未选中的会话带来额外开销。六、返回结果、输出示例与使用注意6.1 返回结果形态wolfram.run(query)的返回值被BaseToolOutput包装后返回。BaseToolOutput是 Langchain-Chatchat 对工具输出做的统一封装见wolfram.py顶部 import 的 langchain_chatchat/agent_toolkits/all_tools/tool.py目的是让各类工具文本、结构化数据、知识库文档以一致的数据结构在上层流转。原文档同时提醒查询结果的具体格式与内容取决于 Wolfram Alpha API 的返回值可能包含文本、图像或其他数据类型。也就是说wolfram工具的输出是否足够“漂亮”一定程度依赖所查询问题在 Wolfram Alpha 侧被解析的质量。6.2 输出示例假设对 Wolfram Alpha 发起一个最简单查询22文档给出的简化示例如下4需要强调的是这只是一个简化示例用于帮助理解工具的基本输入输出形态。真实响应通常包含更丰富的结构化信息实际内容取决于查询本身和 API 的响应例如科学计算类问题可能返回公式、单位乃至图表等多段信息。6.3 使用注意清单结合原文档与源码实现落地使用时有几点需要特别留意AppID 必须有效且已正确配置缺失或无效的 AppID 会导致 API 鉴权失败工具无法返回计算结果。配置只在调用时读取见第三节改完务必确认已生效。先开启 use再在会话中选择工具仅配置appid而use仍为False或未在对话请求的 tool_choice 中勾选wolframAgent 都不会实际调用它。问题描述要准确query应当是对“待计算内容”的准确表述——既然是数学/科学计算工具越精确的公式与单位越容易得到高质量结果模糊的自然语言可能无法被 Wolfram Alpha 正确解析。懒加载与缺依赖由于WolframAlphaAPIWrapper在函数体内才导入若部署环境缺少 langchain 的 Wolfram Alpha 相关依赖报错会在工具被实际调用时才出现排查时需留意运行日志。适用边界该工具面向的是 Wolfram Alpha 能回答的计算与知识查询。对于聊天、常识问答或本地知识库检索类问题应交给对话与 RAG 链路处理而不是强行路由给wolfram。七、结语wolfram是 Langchain-Chatchat 工具体系中“小而专”的典型对外它以极简的函数签名暴露“输入公式、返回计算结果”的能力对内它完整走通了regist_tool注册 →get_tool_config动态取参 → Agent 按 tool_config 装配 → 执行并回传的整条调用链。借助本文梳理的配置链路与源码证据你可以在自己的部署中快速启用该工具也可以把它作为范本为项目扩展同类“调用外部计算/知识服务”的 Agent 工具。想进一步了解 Agent 工具体系的整体设计可继续阅读 agent 相关文档 与 tools 目录下的其他工具说明 对照学习。【免费下载链接】Langchain-ChatchatLangchain-Chatchat原Langchain-ChatGLM基于 Langchain 与 ChatGLM, Qwen 与 Llama 等语言模型的 RAG 与 Agent 应用 | Langchain-Chatchat (formerly langchain-ChatGLM), local knowledge based LLM (like ChatGLM, Qwen and Llama) RAG and Agent app with langchain项目地址: https://gitcode.com/GitHub_Trending/la/Langchain-Chatchat创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考