Appearance
LangChain 采购智能 AI 应用
自学实战项目：利用 LangChain 实现采购智能 AI 应用，含 RAG + 意图识别 + Agent 模块。
技术栈
- 框架：LangChain（Python）
- LLM：本地部署的开源模型 + API 调用
- RAG：基于公司采购文档的检索增强生成
- 向量数据库：Chroma
- Agent：ReAct 模式（推理 + 行动循环）
架构
用户输入（采购需求）
↓
意图识别 → 分类：询价 / 下单 / 查订单 / 退换货
↓
路由到对应 Agent
├── 询价 Agent → RAG 检索价格表 + LLM 生成报价
├── 下单 Agent → 校验库存 + 生成订单
├── 查单 Agent → RAG 检索订单数据库
└── 退换 Agent → 查询退换政策 + 生成退换指引
↓
返回 AI 回复（含引用来源）关键实现
RAG（检索增强生成）
python
# 向量化采购文档
vectorstore = Chroma.from_documents(
documents=docs,
embedding=OpenAIEmbeddings()
)
# 检索 + 生成
retriever = vectorstore.as_retriever()
qa_chain = RetrievalQA.from_chain_type(
llm=llm,
retriever=retriever
)意图识别
python
intent_prompt = """根据用户输入判断意图：
- 询价：询问产品价格
- 下单：想购买产品
- 查单：查询订单状态
- 退换：需要退货或换货
用户输入：{input}
意图："""
intent = llm.predict(intent_prompt.format(input=user_input))Agent 模式
每个 Agent 有自己的工具集：
- 询价 Agent：
search_prices(),compare_products() - 下单 Agent：
check_stock(),create_order() - 查单 Agent：
query_order_db()
经验
- RAG 的瓶颈在检索质量——文档切片策略比模型选择更重要
- 意图识别用 LLM 比传统分类器灵活，但需要 few-shot 示例
- Agent 模式适合多步骤任务，但单步简单任务反而增加延迟
公开版深化
案例定位
LangChain 采购智能 AI 应用不是孤立笔记，而是AI 与工具链能力下的一个可复用案例。它服务于“AI 工具链与研发效率”这条主线，公开版重点保留问题抽象、工程取舍和可复用方法，不暴露内部系统细节。
关键问题
自学实战项目：利用 LangChain 实现采购智能 AI 应用，含 RAG + 意图识别 + Agent 模块。
这篇文章已经覆盖 技术栈、架构、关键实现、经验。后续阅读时应重点看三件事：问题如何被定义，方案如何在约束下落地，以及哪些经验可以迁移到下一次类似项目。
企业级产出
| 产出 | 公开表达 |
|---|---|
| 问题定义 | 用用户体验、性能、稳定性或交付效率描述影响 |
| 技术方案 | 保留架构、流程、算法和工具链层面的抽象 |
| 指标证据 | 只使用页面已有数字或经过脱敏审查的量级 |
| 复用方法 | 沉淀为 SOP、检查清单、图谱关系或后续案例链接 |
指标与证据
- 无公开量化指标，保留方法论级证据
- 内部数字需脱敏后才进入公开页
复盘结论
这个案例的核心价值，是把一次具体工程处理沉淀成可检索、可复盘、可继续扩展的技术资产。没有公开证据支撑的细节继续留在私有材料池，不进入线上页面。
公开版深化
案例定位
LangChain 采购智能 AI 应用不是孤立笔记，而是AI 与工具链能力下的一个可复用案例。它服务于“AI 工具链与研发效率”这条主线，公开版重点保留问题抽象、工程取舍和可复用方法，不暴露内部系统细节。
关键问题
自学实战项目：利用 LangChain 实现采购智能 AI 应用，含 RAG + 意图识别 + Agent 模块。
这篇文章已经覆盖 技术栈、架构、关键实现、经验。后续阅读时应重点看三件事：问题如何被定义，方案如何在约束下落地，以及哪些经验可以迁移到下一次类似项目。
企业级产出
| 产出 | 公开表达 |
|---|---|
| 问题定义 | 用用户体验、性能、稳定性或交付效率描述影响 |
| 技术方案 | 保留架构、流程、算法和工具链层面的抽象 |
| 指标证据 | 只使用页面已有数字或经过脱敏审查的量级 |
| 复用方法 | 沉淀为 SOP、检查清单、图谱关系或后续案例链接 |
指标与证据
- 无公开量化指标，保留方法论级证据
- 内部数字需脱敏后才进入公开页
复盘结论
这个案例的核心价值，是把一次具体工程处理沉淀成可检索、可复盘、可继续扩展的技术资产。没有公开证据支撑的细节继续留在私有材料池，不进入线上页面。
公开版深化
案例定位
LangChain 采购智能 AI 应用不是孤立笔记，而是AI 与工具链能力下的一个可复用案例。它服务于“AI 工具链与研发效率”这条主线，公开版重点保留问题抽象、工程取舍和可复用方法，不暴露内部系统细节。
关键问题
自学实战项目：利用 LangChain 实现采购智能 AI 应用，含 RAG + 意图识别 + Agent 模块。
这篇文章已经覆盖 技术栈、架构、关键实现、经验。后续阅读时应重点看三件事：问题如何被定义，方案如何在约束下落地，以及哪些经验可以迁移到下一次类似项目。
企业级产出
| 产出 | 公开表达 |
|---|---|
| 问题定义 | 用用户体验、性能、稳定性或交付效率描述影响 |
| 技术方案 | 保留架构、流程、算法和工具链层面的抽象 |
| 指标证据 | 只使用页面已有数字或经过脱敏审查的量级 |
| 复用方法 | 沉淀为 SOP、检查清单、图谱关系或后续案例链接 |
指标与证据
- 无公开量化指标，保留方法论级证据
- 内部数字需脱敏后才进入公开页
复盘结论
这个案例的核心价值，是把一次具体工程处理沉淀成可检索、可复盘、可继续扩展的技术资产。没有公开证据支撑的细节继续留在私有材料池，不进入线上页面。