通过这门关于 LangGraph、Ollama 和 Retrieval-Augmented Generation （RAG） 的综合课程，深入了解尖端 AI 开发的世界。本课程专为初学者和专业人士设计，为您提供构建聊天机器人、本地管理LLMs以及将强大的数据库查询功能无缝集成到您的项目中的技能。

通过分步指南，您将探索：

• LLMs使用 Ollama 在本地设置和基准测试。

• 使用 LangGraph 和 LangChain 构建最先进的聊天机器人。

• 高级类型提示、数据验证和 OOPs 原则，可实现干净高效的编码。

• 为 MySQL 查询和 RAG 工作流设计智能代理。

释放您的潜力，了解如何创建支持内存的动态聊天机器人，使用私有数据集，并掌握基于 AI 应用程序的基于图形的编程。

本地LLM的 Ollama 设置

了解如何安装和配置 Ollama 以使用本地 LLMs.探索可用模型，运行基准测试，并使用强大的 Ollama 命令来高效管理 AI 模型并与之交互。

LangChain 入门

了解 LangChain 及其集成到LLMs应用程序中的功能。从安装到 API 调用，本节提供了利用 LangChain 构建智能系统的基础知识。

LangGraph 基础

清楚地了解 LangGraph，这是一种受状态机启发的工具，用于设计 AI 系统。学习浏览其 Graph 和 ToolNode 模块，并创建使用基于图形的编程来增强功能的交互式聊天机器人。

LangGraph 的类型提示和数据验证

探索类型提示、数据验证和 OOP 原则在 AI 开发中的重要性。掌握 TypedDict 和 Pydantic 等工具，为您的项目编写干净、高效且可靠的代码。

LangGraph 中的图形定义

深入研究 LangGraph 中的图形定义概念以构建复杂的系统。了解这些定义如何为您的 AI 工作流带来清晰度和结构。

使用 LangGraph 和 Ollama 开发聊天机器人

结合 LangGraph 和 Ollama 的强大功能，构建功能丰富的聊天机器人。实施工具节点，设计强大的系统架构，并为交互式和智能用户对话添加内存。

代理文本到 MySQL 查询执行

了解如何与 MySQL 集成LLMs以实现无缝查询执行。构建生成和执行数据库查询的代理，将结果连接到 AI 系统，并创建智能数据库驱动的工作流。

具有私有数据集的代理 RAG

私有数据集的主检索增强生成 （RAG）。本节将指导您准备数据集、创建嵌入、将其存储在矢量数据库中，以及实施能够实时检索和处理数据的 RAG 代理。