LangChain 文档加载指南，支持从多种来源（PDF、网页、文本文件）加载文档。本指南覆盖常用加载器、文档结构、元数据处理，以及 RAG 应用的最佳实践。
在 MCM/ICM 竞赛中，运用随机森林与 XGBoost 进行集成学习回归。它能够处理复杂的非线性关系，提供特征重要性分析，并实现高精度预测。是 MCM/ICM 数据驱动建模的必备工具。
RAG 应用中语义搜索的嵌入模型与向量存储指南。内容涵盖嵌入模型、相似度度量、向量存储的搭建、检索模式以及最佳实践。
在 MCM/ICM 竞赛中，运用最短路径算法（Dijkstra、Floyd-Warshall、Bellman-Ford、A*）进行网络优化。适用于交通网络、物流、路径规划、供应链优化、网络流、社交网络分析，或任何需要在加权图中寻找最优路径的问题。
使用 create_agent 方法创建并配置 LangChain 代理，包括工具选择、代理循环、停止条件以及 Python 中的中间件集成。
针对组合优化与离散优化问题，运用遗传算法（GA）。该算法灵感源自生物进化，包含选择、交叉、变异与精英保留机制。它是 NSGA-II 多目标优化的基础，尤其擅长解决 TSP、调度问题与 MCM/ICM 中的分配问题。
运用主成分分析进行降维处理。提取关键特征，消除多重共线性，并将高维数据可视化。
使用 createAgent 方法创建并配置 LangChain 代理，包括工具选择、代理循环、停止条件以及 JavaScript/TypeScript 中的中间件集成。
使用 init_chat_model 方法初始化并调用 LangChain 聊天模型，包括模型提供商（OpenAI、Anthropic、Google）、调用模式，以及适用于 Python 的多模态能力。
LangChain 文档加载与处理指南，涵盖 PDF 加载器、网页爬虫、文本拆分器（RecursiveCharacterTextSplitter），以及各类文件格式加载器，助力 RAG 流程的构建。