26｜如何根据数据表文档生成实体？

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。