[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-daveebbelaar--langchain-experiments":3,"tool-daveebbelaar--langchain-experiments":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":81,"owner_website":82,"owner_url":83,"languages":84,"stars":93,"forks":94,"last_commit_at":95,"license":96,"difficulty_score":23,"env_os":97,"env_gpu":97,"env_ram":97,"env_deps":98,"category_tags":107,"github_topics":108,"view_count":23,"oss_zip_url":81,"oss_zip_packed_at":81,"status":16,"created_at":113,"updated_at":114,"faqs":115,"releases":126},3727,"daveebbelaar\u002Flangchain-experiments","langchain-experiments","Building Apps with LLMs","langchain-experiments 是一个专注于利用 LangChain 框架构建大语言模型（LLM）应用的开源实验项目。它旨在解决开发者在集成 LLM 时面临的挑战，即如何让模型不仅限于简单的 API 调用，而是能够感知数据、自主决策并与外部环境交互。通过该项目，用户可以轻松实现如从 YouTube 视频转录稿构建可搜索数据库、利用 FAISS 进行相似度检索以及精准回答用户提问等复杂功能。\n\n该项目非常适合希望快速上手 LLM 应用开发的程序员、技术研究人员以及想要探索 AI 落地场景的创新者。其核心亮点在于展示了 LangChain 强大的模块化能力，涵盖模型集成、提示词优化、记忆状态持久化、自定义索引构建、链式调用编排以及智能体（Agent）自主行动等关键组件。无论是开发客服聊天机器人、自动化内容生成工具，还是构建企业内部数据分析系统，langchain-experiments 都提供了清晰的代码范例和实践路径，帮助用户将先进的大模型技术转化为解决实际业务问题的生产力工具。","# LangChain Experiments\n\nThis repository focuses on experimenting with the LangChain library for building powerful applications with large language models (LLMs). By leveraging state-of-the-art language models like OpenAI's GPT-3.5 Turbo (and soon GPT-4), this project showcases how to create a searchable database from a YouTube video transcript, perform similarity search queries using the FAISS library, and respond to user questions with relevant and precise information.\n\nLangChain is a comprehensive framework designed for developing applications powered by language models. It goes beyond merely calling an LLM via an API, as the most advanced and differentiated applications are also data-aware and agentic, enabling language models to connect with other data sources and interact with their environment. The LangChain framework is specifically built to address these principles.\n\n## LangChain\n\nThe Python-specific portion of LangChain's documentation covers several main modules, each providing examples, how-to guides, reference docs, and conceptual guides. These modules include:\n\n1. Models: Various model types and model integrations supported by LangChain.\n3. Prompts: Prompt management, optimization, and serialization.\n3. Memory: State persistence between chain or agent calls, including a standard memory interface, memory implementations, and examples of chains and agents utilizing memory.\n4. Indexes: Combining LLMs with custom text data to enhance their capabilities.\n5. Chains: Sequences of calls, either to an LLM or a different utility, with a standard interface, integrations, and end-to-end chain examples.\n6. Agents: LLMs that make decisions about actions, observe the results, and repeat the process until completion, with a standard interface, agent selection, and end-to-end agent examples.\n\n## Use Cases\nWith LangChain, developers can create various applications, such as customer support chatbots, automated content generators, data analysis tools, and intelligent search engines. These applications can help businesses streamline their workflows, reduce manual labor, and improve customer experiences.\n\n## Service\nBy selling LangChain-based applications as a service to businesses, you can provide tailored solutions to meet their specific needs. For instance, companies can benefit from customizable chatbots that handle customer inquiries, personalized content creation tools for marketing, or internal data analysis systems that harness the power of LLMs to extract valuable insights. The possibilities are vast, and LangChain's flexible framework makes it the ideal choice for developing and deploying advanced language model applications in diverse industries.\n\n## Requirements\n\n- [Python 3.6 or higher](https:\u002F\u002Fwww.python.org\u002Fdownloads\u002F)\n- [LangChain library](https:\u002F\u002Fpython.langchain.com\u002Fen\u002Flatest\u002Findex.html)\n- [OpenAI API key](https:\u002F\u002Fplatform.openai.com\u002F)\n- [SerpAPI API Key](https:\u002F\u002Fserpapi.com\u002F)\n\n## OpenAI API Models\nThe OpenAI API is powered by a diverse set of [models](https:\u002F\u002Fplatform.openai.com\u002Fdocs\u002Fmodels) with different capabilities and price points. You can also make limited customizations to our original base models for your specific use case with fine-tuning.\n\n## Installation\n\n#### 1. Clone the repository\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fdaveebbelaar\u002Flangchain-experiments.git\n```\n\n#### 2. Create a Python environment\n\nPython 3.6 or higher using `venv` or `conda`. Using `venv`:\n\n``` bash\ncd langchain-experiments\npython3 -m venv env\nsource env\u002Fbin\u002Factivate\n```\n\nUsing `conda`:\n``` bash\ncd langchain-experiments\nconda create -n langchain-env python=3.8\nconda activate langchain-env\n```\n\n#### 3. Install the required dependencies\n``` bash\npip install -r requirements.txt\n```\n\n#### 4. Set up the keys in a .env file\n\nFirst, create a `.env` file in the root directory of the project. Inside the file, add your OpenAI API key:\n\n```makefile\nOPENAI_API_KEY=\"your_api_key_here\"\n```\n\nSave the file and close it. In your Python script or Jupyter notebook, load the `.env` file using the following code:\n```python\nfrom dotenv import load_dotenv, find_dotenv\nload_dotenv(find_dotenv())\n```\n\nBy using the right naming convention for the environment variable, you don't have to manually store the key in a separate variable and pass it to the function. The library or package that requires the API key will automatically recognize the `OPENAI_API_KEY` environment variable and use its value.\n\nWhen needed, you can access the `OPENAI_API_KEY` as an environment variable:\n```python\nimport os\napi_key = os.environ['OPENAI_API_KEY']\n```\n\nNow your Python environment is set up, and you can proceed with running the experiments.\n\n## Datalumina\n\nThis document is provided to you by Datalumina. We help data analysts, engineers, and scientists launch and scale a successful freelance business — $100k+ \u002Fyear, fun projects, happy clients. If you want to learn more about what we do, you can visit our [website](https:\u002F\u002Fwww.datalumina.io\u002F) and subscribe to our [newsletter](https:\u002F\u002Fwww.datalumina.io\u002Fnewsletter). Feel free to share this document with your data friends and colleagues.\n\n## Tutorials\nFor video tutorials on how to use the LangChain library and run experiments, visit the YouTube channel: [youtube.com\u002F@daveebbelaar](https:\u002F\u002Fyoutube.com\u002F@daveebbelaar)\n\n","# LangChain 实验\n\n本仓库专注于使用 LangChain 库进行实验，以构建基于大型语言模型（LLMs）的强大应用。通过利用最先进的语言模型，如 OpenAI 的 GPT-3.5 Turbo（并即将支持 GPT-4），该项目展示了如何从 YouTube 视频字幕中创建可搜索的数据库、使用 FAISS 库执行相似性搜索查询，以及用相关且精确的信息回答用户问题。\n\nLangChain 是一个全面的框架，专为开发由语言模型驱动的应用而设计。它不仅仅局限于通过 API 调用 LLM，因为最先进且具有差异化优势的应用还具备数据感知和代理能力，使语言模型能够连接其他数据源并与环境交互。LangChain 框架正是围绕这些原则构建的。\n\n## LangChain\n\nLangChain 文档中针对 Python 的部分涵盖了几个主要模块，每个模块都提供了示例、操作指南、参考文档和概念性指导。这些模块包括：\n\n1. 模型：LangChain 支持的各种模型类型及模型集成。\n3. 提示词：提示词的管理、优化和序列化。\n3. 内存：在链或代理调用之间保持状态，包括标准内存接口、内存实现以及使用内存的链和代理示例。\n4. 索引：将 LLM 与自定义文本数据结合，以增强其功能。\n5. 链：对 LLM 或其他工具的连续调用序列，提供标准接口、集成以及端到端链示例。\n6. 代理：能够做出行动决策、观察结果并重复这一过程直至完成的 LLM，提供标准接口、代理选择以及端到端代理示例。\n\n## 使用场景\n借助 LangChain，开发者可以创建各种应用，例如客户支持聊天机器人、自动化内容生成器、数据分析工具和智能搜索引擎。这些应用可以帮助企业简化工作流程、减少人工劳动并改善客户体验。\n\n## 服务\n通过将基于 LangChain 的应用作为服务销售给企业，您可以提供量身定制的解决方案来满足他们的特定需求。例如，企业可以从可定制的聊天机器人中获益，这些机器人可以处理客户咨询；也可以使用个性化的营销内容创作工具；或者部署内部数据分析系统，利用 LLM 的强大功能提取有价值的洞察。可能性是无限的，而 LangChain 灵活的框架使其成为在不同行业中开发和部署先进语言模型应用的理想选择。\n\n## 需求\n- [Python 3.6 或更高版本](https:\u002F\u002Fwww.python.org\u002Fdownloads\u002F)\n- [LangChain 库](https:\u002F\u002Fpython.langchain.com\u002Fen\u002Flatest\u002Findex.html)\n- [OpenAI API 密钥](https:\u002F\u002Fplatform.openai.com\u002F)\n- [SerpAPI API 密钥](https:\u002F\u002Fserpapi.com\u002F)\n\n## OpenAI API 模型\nOpenAI API 由一系列功能和价格各异的[模型](https:\u002F\u002Fplatform.openai.com\u002Fdocs\u002Fmodels)提供支持。您还可以通过对我们的原始基础模型进行微调，以适应您的特定用法，并进行有限的自定义。\n\n## 安装\n\n#### 1. 克隆仓库\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fdaveebbelaar\u002Flangchain-experiments.git\n```\n\n#### 2. 创建 Python 环境\n\n使用 `venv` 或 `conda` 创建 Python 3.6 或更高版本的环境。使用 `venv`：\n\n``` bash\ncd langchain-experiments\npython3 -m venv env\nsource env\u002Fbin\u002Factivate\n```\n\n使用 `conda`：\n``` bash\ncd langchain-experiments\nconda create -n langchain-env python=3.8\nconda activate langchain-env\n```\n\n#### 3. 安装所需依赖\n``` bash\npip install -r requirements.txt\n```\n\n#### 4. 在 .env 文件中设置密钥\n\n首先，在项目的根目录下创建一个 `.env` 文件。在文件中添加您的 OpenAI API 密钥：\n\n```makefile\nOPENAI_API_KEY=\"your_api_key_here\"\n```\n\n保存并关闭文件。在您的 Python 脚本或 Jupyter 笔记本中，使用以下代码加载 `.env` 文件：\n```python\nfrom dotenv import load_dotenv, find_dotenv\nload_dotenv(find_dotenv())\n```\n\n通过使用正确的环境变量命名规范，您无需手动将密钥存储在单独的变量中并传递给函数。需要 API 密钥的库或包会自动识别 `OPENAI_API_KEY` 环境变量并使用其值。\n\n在需要时，您可以将 `OPENAI_API_KEY` 作为环境变量访问：\n```python\nimport os\napi_key = os.environ['OPENAI_API_KEY']\n```\n\n现在您的 Python 环境已经设置完毕，您可以继续运行实验。\n\n## Datalumina\n\n本文档由 Datalumina 提供。我们帮助数据分析师、工程师和科学家启动并扩大成功的自由职业业务——年收入超过 10 万美元，项目有趣，客户满意。如果您想了解更多关于我们所做的事情，可以访问我们的[网站](https:\u002F\u002Fwww.datalumina.io\u002F)并订阅我们的[通讯](https:\u002F\u002Fwww.datalumina.io\u002Fnewsletter)。欢迎与您的数据领域朋友和同事分享本文档。\n\n## 教程\n有关如何使用 LangChain 库并运行实验的视频教程，请访问 YouTube 频道：[youtube.com\u002F@daveebbelaar](https:\u002F\u002Fyoutube.com\u002F@daveebbelaar)","# LangChain Experiments 快速上手指南\n\n本指南旨在帮助开发者快速搭建基于 LangChain 的实验环境，利用大语言模型（LLM）构建具备数据感知和代理能力的应用程序。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求并准备好必要的密钥：\n\n*   **操作系统**：支持 Python 3.6+ 的系统 (Linux, macOS, Windows)\n*   **Python 版本**：Python 3.6 或更高版本（推荐 3.8+）\n*   **必要账号与密钥**：\n    *   [OpenAI API Key](https:\u002F\u002Fplatform.openai.com\u002F)：用于调用大语言模型。\n    *   [SerpAPI API Key](https:\u002F\u002Fserpapi.com\u002F)：用于联网搜索功能（如项目需要）。\n*   **依赖库**：Git（用于克隆代码库）。\n\n> **提示**：国内开发者若访问 PyPI 源较慢，可在安装命令中指定清华或阿里镜像源（见下文安装步骤）。\n\n## 安装步骤\n\n### 1. 克隆项目仓库\n将代码库下载到本地：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fdaveebbelaar\u002Flangchain-experiments.git\ncd langchain-experiments\n```\n\n### 2. 创建 Python 虚拟环境\n推荐使用 `venv` 或 `conda` 隔离环境。\n\n**使用 venv:**\n```bash\npython3 -m venv env\nsource env\u002Fbin\u002Factivate  # Windows 用户请使用: env\\Scripts\\activate\n```\n\n**使用 conda:**\n```bash\nconda create -n langchain-env python=3.8\nconda activate langchain-env\n```\n\n### 3. 安装依赖\n安装项目所需的 Python 包。\n*(注：国内用户可添加 `-i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple` 加速下载)*\n\n```bash\npip install -r requirements.txt\n```\n\n### 4. 配置 API 密钥\n在项目根目录下创建名为 `.env` 的文件，并填入您的 OpenAI API Key：\n\n```makefile\nOPENAI_API_KEY=\"your_api_key_here\"\n```\n\n保存文件后，LangChain 及相关库将自动读取该环境变量，无需在代码中硬编码密钥。\n\n## 基本使用\n\n完成上述配置后，即可在 Python 脚本或 Jupyter Notebook 中加载环境并开始实验。\n\n### 加载环境变量\n在代码开头加入以下片段以激活 `.env` 配置：\n\n```python\nfrom dotenv import load_dotenv, find_dotenv\n\n# 自动查找并加载 .env 文件\nload_dotenv(find_dotenv())\n```\n\n### 验证配置与简单示例\n您可以尝试导入 LangChain 并调用 OpenAI 模型来验证环境是否就绪。以下是一个最简单的调用示例：\n\n```python\nimport os\nfrom langchain.llms import OpenAI\n\n# 可选：手动检查密钥是否加载成功\napi_key = os.environ['OPENAI_API_KEY']\n\n# 初始化 LLM 实例\nllm = OpenAI(temperature=0.7)\n\n# 发起一个简单的查询\nresponse = llm(\"请用一句话介绍 LangChain 的主要作用。\")\n\nprint(response)\n```\n\n运行上述代码，如果输出了相应的回答，说明您的 LangChain 实验环境已搭建成功。接下来您可以参考项目中的具体脚本，探索 YouTube 转录检索、FAISS 相似度搜索等高级功能。","某教育科技公司的内容团队需要将大量 YouTube 技术讲座视频转化为可交互的内部知识库，以便员工快速检索特定知识点。\n\n### 没有 langchain-experiments 时\n- 员工只能手动观看长视频或阅读逐字稿，查找某个具体代码片段或概念耗时极长，效率低下。\n- 开发者若要构建搜索功能，需从零编写复杂的脚本处理文本分块、调用向量数据库（如 FAISS）及管理 OpenAI API，开发周期长达数周。\n- 简单的关键词搜索无法理解语义，例如搜索“如何优化内存”无法匹配到视频中谈论“减少 RAM 占用”的段落，导致漏检率高。\n- 每次新增视频都需要重复繁琐的数据清洗和索引构建流程，难以实现知识库的动态扩展和维护。\n\n### 使用 langchain-experiments 后\n- 利用其内置模块，团队可一键将 YouTube 视频转录文本转化为可搜索的向量数据库，员工通过自然语言提问即可秒获精准答案。\n- 借助 LangChain 成熟的索引（Indexes）和链（Chains）组件，开发者无需重复造轮子，几天内即可搭建起具备语义理解能力的智能问答系统。\n- 基于相似度搜索（Similarity Search）技术，系统能准确识别用户问题背后的语义意图，即使措辞不同也能返回视频中相关的核心片段。\n- 框架化的设计使得新增视频源变得极其简单，只需配置转录源即可自动完成数据入库与索引更新，大幅降低了运维成本。\n\nlangchain-experiments 通过将非结构化视频内容转化为智能化的语义搜索引擎，彻底改变了企业知识获取的方式，让数据真正服务于业务决策。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdaveebbelaar_langchain-experiments_79166421.png","daveebbelaar","Dave Ebbelaar","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdaveebbelaar_7af3bd2f.jpg","AI Engineer, Founder of Datalumina","@datalumina","Amsterdam",null,"www.academy.datalumina.com","https:\u002F\u002Fgithub.com\u002Fdaveebbelaar",[85,89],{"name":86,"color":87,"percentage":88},"Jupyter Notebook","#DA5B0B",73.1,{"name":90,"color":91,"percentage":92},"Python","#3572A5",26.9,1134,641,"2026-04-02T05:44:44","MIT","未说明",{"notes":99,"python":100,"dependencies":101},"该项目主要依赖外部 API（OpenAI 和 SerpAPI），需提前申请并配置 API Key 到 .env 文件中。支持使用 venv 或 conda 创建虚拟环境。功能包括利用 FAISS 进行向量相似度搜索和处理 YouTube 视频转录文本。","3.6+",[102,103,104,105,106],"langchain","faiss","python-dotenv","openai","serpapi",[15,13,14],[109,102,110,111,112],"ai","langchain-python","python","slack-bot","2026-03-27T02:49:30.150509","2026-04-06T06:46:06.451539",[116,121],{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},17074,"在使用 OpenAI 新的 `tools` 参数进行函数调用时，如何正确构建第二次 API 请求以整合函数结果？","在从旧版 `functions` 迁移到新版 `tools` 参数时，关键变化是将角色（role）从 `function` 改为 `tool`。在进行第二次补全请求（second completion）时，必须先将助手的第一次响应（`response_message`）添加到消息列表中，以便模型能跟踪助手的操作。具体步骤如下：\n1. 获取第一次响应：`response_message = completion.choices[0].message`\n2. 在构建第二次请求的 `messages` 列表时，依次包含：用户原始提示、助手的响应消息（即上一步的 `response_message`）、以及带有 `role: \"tool\"` 的函数执行结果。\n这样模型才能理解上下文并生成最终回答。","https:\u002F\u002Fgithub.com\u002Fdaveebbelaar\u002Flangchain-experiments\u002Fissues\u002F16",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},17075,"部署 Flask 应用到 Azure App Service 时遇到 `ModuleNotFoundError: No module named 'slack_sdk'` 错误怎么办？","该错误通常是因为将本地虚拟环境连同代码一起部署到了云端，而虚拟环境不具备可移植性。解决方法是让 Azure 的 Oryx 构建系统在部署时自动安装依赖包。\n具体操作步骤：\n1. 不要部署本地的 `.venv` 或 `venv` 文件夹。\n2. 在 Azure App Service 的应用设置（Application Settings）中，添加一个新的设置项：\n   - 名称 (Name): `SCM_DO_BUILD_DURING_DEPLOYMENT`\n   - 值 (Value): `1`\n此设置会强制 Oryx 在每次部署时重新创建虚拟环境并安装 `requirements.txt` 中的包，从而解决模块找不到的问题。","https:\u002F\u002Fgithub.com\u002Fdaveebbelaar\u002Flangchain-experiments\u002Fissues\u002F19",[]]