一、LangChain 基础介绍
1.1 框架概述
LangChain 是由 Harrison Chase 于 2022 年 10 月推出的开源大模型应用开发框架，专门用于搭建基于大语言模型（LLM）的各类应用。
使用该框架具备多项核心优势：
- 降低开发门槛：开发流程更简洁、执行效率更高，落地效果更稳定。
- 统一模型调用：不同大模型的接口、调用逻辑差异较大，LangChain 提供标准化调用方式，模型迁移、切换更便捷。
- 模块化组合能力：内置成熟的链式逻辑组件，可快速拼装复杂业务流程，整体架构结构化强，便于迭代与拓展。
1.2 官方资源汇总
官网：https://www.langchain.com/langchain
官网文档：https://python.langchain.com/docs/introduction/
API文档：https://python.langchain.com/api_reference/
github地址：https://github.com/langchain-ai/langchain
1.3 核心产品体系
整套生态由多个组件构成，各司其职，共同支撑全流程开发与运维：
- langchain-core：框架底层核心，包含基础抽象能力与 LCEL 表达式语言，是所有功能的基石。
- LangChain 主体库：提供 Chains、Agents、检索策略等核心能力，搭建 AI 应用的核心架构。
- LangChain-community：社区拓展组件，涵盖模型交互、检索工具、各类插件工具箱等。
通俗理解：LangChain 就像一套标准化乐高零件，整体框架体量不大，但细分功能繁多，开发者可按需拼装组合，快速搭建应用。
- LangGraph：基于 LangChain 接口二次封装，可调度多个链路、智能体与工具，实现复杂业务逻辑，是高阶场景的核心组件。
- LangSmith：配套运维监控平台（https://docs.smith.langchain.com/），集成调试、沙盒测试、提示词管理、注释、自动化测试、运行监控六大能力，打通从原型开发到线上生产的全流程。
- LangServe：可将 LangChain 链路封装为 REST 接口，支持跨语言调用（如 Java），同时提升应用并发能力与运行稳定性。
总结：在整个生态中，LangGraph 和 LangSmith 是最具发展潜力的两大模块。当下不少框架都能实现 RAG 功能，LangChain 选择深耕智能体赛道，依托 LangGraph 实现复杂自主任务；而 LangSmith 则补齐了应用上线后的运维、监控短板，二者相辅相成。
二、开发环境准备
python
安装python或者VS.CODE扩展python
python安装对应的langchain包
三、LangChain 核心组件
框架主流核心模块包含：model I/O、chain、memory、agent、Retrieval
3.1 Model I/O
Model I/O：标准化各个大模型的输入和输出，包含输入模板，模型本身和格式化输出。
Format(格式化) ：即指代Prompts Template，通过模板管理大模型的输入。将原始数据格式化成 模型可以处理的形式，插入到一个模板问题中，然后送入模型进行处理。Predict(预测) ：即指代Models，使用通用接口调用不同的大语言模型。接受被送进来的问题，然 后基于这个问题进行预测或生成回答。
Parse(生成) ：即指代Output Parser 部分，用来从模型的推理中提取信息，并按照预先设定好的 模板来规范化输出。比如，格式化成一个结构化的JSON对象。
这个模块使⽤最多，也最简单
以下是对每一块的总结：
Format(格式化) ：即指代Prompts Template，通过模板管理大模型的输入。将原始数据格式化成
模型可以处理的形式，插入到一个模板问题中，然后送入模型进行处理。
Predict(预测) ：即指代Models，使用通用接口调用不同的大语言模型。接受被送进来的问题，然
后基于这个问题进行预测或生成回答。
Parse(生成) ：即指代Output Parser 部分，用来从模型的推理中提取信息，并按照预先设定好的
模版来规范化输出。比如，格式化成一个结构化的JSON对象。
3.2 Chain
Chain："链条"，用于将多个模块串联起来组成一个完整的流程，是 LangChain 框架中最重要的模块。 例如，一个 Chain 可能包括一个 Prompt 模板、一个语言模型和一个输出解析器，它们一起工作以处理 用户输入、生成响应并处理输出。
常见的Chain类型：
- RouterChain ：自动分析用户的需求，引导到最适合的链
- RetrievalQA ：结合向量数据库进行问答的链
3.3 Memory
Memory：记忆模块，用于保存对话历史或上下文信息，以便在后续对话中使用。
常见的 Memory 类型：
- ConversationBufferMemory ：保存完整的对话历史
- ConversationSummaryMemory ：保存对话内容的精简摘要（适合长对话）
- ConversationSummaryBufferMemory ：混合型记忆机制，兼具上面两个类型的特点
- VectorStoreRetrieverMemory ：保存对话历史存储在向量数据库中
3.4 Agents
Agents，对应着智能体，是 LangChain 的高阶能力，它可以自主选择工具并规划执行步骤。
Agent 的关键组成：
Tool ：是一些内置的功能模块，如API调用、搜索引擎、文本处理、数据查询等工具。Agents通过这些工具来执行特定的功能。AgentExecutor ：用来运行智能体并执行其决策的工具，负责协调智能体的决策和实际的工具执行。3.5 Retrieval
Retrieval：对应着RAG，检索外部数据，然后在执行生成步骤时将其传递到 LLM。步骤包括文档加载、切割、Embedding等
Source ：数据源，即大模型可以识别的多种类型的数据：视频、图片、文本、代码、文档等。
Load ：负责将来自不同数据源的非结构化数据，加载为文档(Document)对象
Transform ：负责对加载的文档进行转换和处理，比如将文本拆分为具有语义意义的小块。
Embed ：将文本编码为向量的能力。一种用于嵌入文档，另一种用于嵌入查询
Store ：将向量化后的数据进行存储
Retrieve ：从大规模文本库中检索和查询相关的文本段落
3.6 Callbacks
Callbacks：回调机制，允许连接到 LLM 应用程序的各个阶段，可以监控和分析LangChain的运行情
况，比如日志记录、监控、流传输等，以优化性能。
四. Langchain入门
代码略
