26|如何根据数据表文档生成实体?
邢云阳

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:
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。
公开
同步至部落
取消
完成
0/2000
笔记
复制
AI
- 深入了解
- 翻译
- 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
《DeepSeek 应用开发实战》,新⼈⾸单¥59
立即购买
© 版权归极客邦科技所有,未经许可不得传播售卖。 页面已增加防盗追踪,如有侵权极客邦将依法追究其法律责任。
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