DeepSeek 应用开发实战
云阳
某大厂 AI 与容器技术专家
6717 人已学习
新⼈⾸单¥59
登录后,你可以任选4讲全文学习
课程目录
已更新 31 讲/共 39 讲
第四章 理解力+代码撰写力:智能编程助理 (3讲)
DeepSeek 应用开发实战
15
15
1.0x
00:00/00:00
登录|注册

26|如何根据数据表文档生成实体?

你好,我是邢云阳。
上节课,我们使用 LangGraph 完成了一个简单 Golang Web 后端程序的自动生成。相比于单纯用 prompt 生成代码,在加入了 LangGraph 后,我们可以让 LangGraph 分解代码结构,针对每一个结构单独做生成代码,且结构间的代码还可以流转。重点是,你需要理解 LangGraph 在其中发挥的重要用途。
这节课,我们将会学习如何在 LangGraph 中使用 Agent,以及如何利用 RAG 写代码。

用 prompt 生成实体类代码的问题

首先回顾一下上节课的代码,我们在最后加入了实体类模块,并书写了一段 prompt,让大模型可以自动生成实体类代码。prompt 如下:
#模型
1.用户模型,包含字段:UserID(int), UserName(string), UserEmail(string)
生成上述模型对于的 structstruct名称示例:UserModel
这样生成实体类代码呢,在实体类比较少或者每个实体类的字段特别少的情况下,没什么问题。但是内容如果比较多,有几十几百个实体类,则提示词就会变得特别特别长。
此外,通常在后端代码开始编写前,我们需要先进行实体类的设计,形成实体类文件 models.go 以及数据字典文档,这样当某个路由需要用到哪个实体类时,直接调用就好了。
确认放弃笔记?
放弃后所记笔记将不保留。
新功能上线,你的历史笔记已初始化为私密笔记,是否一键批量公开?
批量公开的笔记不会为你同步至部落
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线
笔记
复制
AI
  • 深入了解
  • 翻译
    • 英语
    • 中文简体
    • 法语
    • 德语
    • 日语
    • 韩语
    • 俄语
    • 西班牙语
  • 解释
  • 总结

1. LangGraph 可以分解代码结构,针对每一个结构单独做生成代码,且结构间的代码还可以流转。 2. 解决用 prompt 生成实体类代码时,当实体类比较多或者每个实体类的字段特别多时,提示词变得特别长的问题。 3. 将 models.go 写入到 Agent tool 中,由大模型根据需求去调用,解决实体类代码生成问题。 4. 实体类 Agent tool 使用 LangChain 封装的 tools 工具,通过工具函数根据用户传入的实体类关键字,返回合适的实体类代码。 5. 使用 LangChain 封装的 Function Calling 的方法,准备好工具列表,然后绑定到大模型,调用大模型,由大模型自主选择工具,返回实体类代码。 6. 通过调用大模型,获取工具名称和参数,然后在 tools_names 将工具函数取出来,运行工具函数,最后将工具函数的执行结果存入到 State 中. 7. 利用 RAG 实现根据数据字典生成实体类代码,通过 Qdrant 向量数据库实现文档转向量,塞入向量数据库,然后根据用户传入的关键字和从 Qrant 中搜到的数据字典创建 struct 的 prompt。 8. 代码首先将 Word 文档转向量,塞入向量数据库,然后对 Agent tool 进行改造,根据用户传入的关键字,从向量数据库中匹配到相应的数据字典,让大模型根据数据字典的内容生成实体类代码。 9. 通过 Qdrant 向量数据库匹配数据字典,生成代码,实现了根据数据字典生成实体类代码的部分。 10. 本节课重点学习了如何 LangGraph 中使用 Agent,以及如何利用 RAG 写代码,强调了模型的能力对 AI 应用的重要性。

仅可试看部分内容,如需阅读全部内容,请付费购买文章所属专栏
《DeepSeek 应用开发实战》
新⼈⾸单¥59
立即购买
登录 后留言

精选留言

由作者筛选后的优质留言将会公开显示,欢迎踊跃留言。
收起评论
显示
设置
留言
收藏
沉浸
阅读
分享
手机端
快捷键
回顶部