LangChain基本概念

LangChain 提供了一套工具、组件和接口，简化了创建LLM应用的过程。

LangChain是由多个组件组成的：

• Models：模型，比如GPT-4o；
• Prompts：提示，包括提示管理、提示优化和提示序列化；
• Memory：记忆，用来保存和模型交互时的上下文；
• Indexes：索引，用于结构化文档，方便和模型交互。如果要构建自己的知识库，就需要各种类型文档的加载，转换，长文本切割，文本向量计算，向量索引存储查询等；
• Chains：链，一系列对各种组件的调用；
• Agents：代理，决定模型采取哪些行动，执行并且观察流程，直到完成为止；

组件	说明
LLM / ChatModel	大语言模型的封装，LLM 用于文本补全，ChatModel 用于对话（支持 tool calling）
Prompt Template	提示词模板，支持变量替换，将用户输入格式化为LLM 能理解的 prompt
Chain	将多个组件串联，如 prompt | llm，数据依次流经各组件
Agent	智能代理，能根据用户问题自主决策调用哪些工具
Tools	工具集，扩展 Agent 能力，如搜索、计算、数据库查询等
Memory	记忆组件，保存对话历史，实现多轮对话

LangChain 从 0.3X 到 1.X 发生了结构性变化（概念性没变）：
1）包结构完全重构：
langchain-core：只放抽象基类与 LangChain Expression Language（LCEL），所有第三方集成都不直接依赖完整 langchain。
langchain-community：社区维护的几十种 loader、retriever、tool 等实现。
合作伙伴包独立成库，例如 langchain-openai、langchain-anthropic，体积更小、升级更灵活。
2）新增官方子项目：
LangGraph：用图编排多步、多角色、有状态的工作流，替代过去靠多重 Chain 嵌套的写法。
LangServe：一键把链/代理封装成 REST API，自带 /invoke、/stream、/batch 端点与 Swagger 页面。
LangSmith：可视化调试、回归测试、在线监控平台，与 1.X 的回调系统深度打通。
3）API 风格全面转向 LCEL（链式表达式）
鼓励用 | 运算符把组件拼成 Runnable，而不是继承 Chain 基类。

工具	核心定位	架构特点	适用场景
LangChain	开源LLM应用开发框架	基于链（Chain）的线性或分支工作流，支持Agent模式	快速构建RAG、对话系统、工具调用等线性任务
LangGraph	LangChain的扩展，专注于复杂工作流	基于图（Graph）的循环和条件逻辑，支持多Agent协作	需要循环、动态分支或状态管理的复杂任务（如自适应RAG、多Agent系统）

1）工作流编排:
LangChain：线性链，适合固定流程任务（如文档问答）。
LangGraph：支持循环、条件边和状态传递，适合动态调整的复杂逻辑（如多轮决策）。

2）工具调用与扩展性
LangChain/LangGraph：工具作为链或图的节点，支持自定义工具和重试逻辑。

（3）RAG（检索增强生成）
LangChain：开箱即用的文档加载、向量检索功能。
LangGraph：需手动设计RAG节点，但支持反馈循环优化检索质量。

传统chain的使用
最基础的 LangChain 用法：将 Prompt 模板和 LLM 组合成可执行链。

prompt | llm 是 LangChain 1.x 推荐的链式组合方式（LCEL 表达式）;
invoke() 是执行 Chain 的标准方法;
输入是字典格式，key 对应 input_variables;

LangChain官方文档中对Agent的定义：

Tools

在LangChain中集成了一些常用的tools，你也可以自定义自己的工具。

# LangChain Tools
Apify;
ArXiv API Tool;
AWS Lambda API;
Shell Tool;
Bing Search;
ChatGPT Plugins;
DuckDuckGo Search;
File System Tools;
Google Places;
Google Search;
Google Serper API;
Gradio Tools;
GraphQL tool;
HuggingFace Tools;
Human as a tool;
IFTTT WebHooks;
Metaphor Search;
Call the API;
Use Metaphor as a tool;
OpenWeatherMap API;
Python REPL;
Requests;
SceneXplain;
Search Tools;
SearxNG Search API;
SerpAPI;
Twilio;
Wikipedia;
Wolfram Alpha;
YouTubeSearchTool;
Zapier Natural Language Actions API;
Example with SimpleSequentialChain;

查询工具
Serpapi工具：支持Google, Baidu, Yahoo, Ebay, YouTube等多种API查询。

pip install google-search-results

Serpapi网站：https://serpapi.com/，获取api-key。

Agent 使用 ChatModel 而非普通 LLM（因为需要 toolcalling 能力）；
load_tools() 可加载预置工具，如 serpapi、wikipedia 等；
Agent 的输入格式是 messages 列表；

时序图：

使用多个Tools
llm-math工具：给Agent提供数学相关的计算，比如：当前温度的0.5次方是多少？

当前北京的温度是多少华氏度，这个温度的1/4是多少？
Serpapi，搜索当前北京的温度；
llm-math，计算这个温度的1/4；

除了预置工具，还可以用 @tool 装饰器创建自定义工具。

@tool 装饰器将函数转为 LangChain 工具；
docstring 非常重要：函数定义下方的 “”“…”“” 三引号字；
符串就是 docstring，Agent 通过它判断何时使用该工具。

Memory

Memory：

• Chains 和 Agent之前是无状态的，如果你想让他能记住之前的交互，就需要引入内存；
• 可以让LLM拥有短期记忆对话过程中，记住用户的input 和 中间的output；

在LangChain中提供了几种短期记忆的方式：

• BufferMemory： 将之前的对话完全存储下来，传给LLM；
• BufferWindowMemory： 最近的K组对话存储下来，传给LLM；
• ConversionMemory： 对对话进行摘要，将摘要存储在内存中，相当于将压缩过的历史对话传递给LLM；
• VectorStore-backed Memory： 将之前所有对话通过向量存储到VectorDB（向量数据库）中，每次对话，会根据用户的输入信息，匹配向量数据库中最相似的K组对话；

带记忆的对话链

MessagesPlaceholder 用于在 Prompt 中插入历史消息；
RunnableWithMessageHistory 自动管理消息历史；
session_id 用于区分不同用户/会话；

时序图：

ReAct范式

ReAct范式：将推理和动作相结合，克服LLM胡言乱语的问题，同时提高了结果的可解释性和可信赖度。

人们在从事一项需要多个步骤的任务时，在步骤和步骤之间，或者动作和动作之间，一般都会有推理过程。

除了苹果遥控器，还有什么设备能解决苹果遥控器最早设计交互的控制问题？
ReAct = Reason + Act；
Apple遥控器最早只能控制Front Row软件。
Front Row软件可以被两种设备控制，Apple遥控器和键盘的功能键。
所以，正确答案是键盘的功能键。

ReAct这个方式，简单有效，可解释性强；
机器把想法写出来，然后结合想法和观察，做出相应的动作：

• Though: …
• Action: …
• Observation: …

Agent设计
这个模版中，最重要的是：Thought、Action、Action Input。

这 3 个部分是 AI 在Chain中进行自我思考的过程。
这种思考模式，可以重复N次，直到Thought: 我现在知道最终答案，
Final Answer: 原始输入问题的最终答案。

AGENT_TMPL = """按照给定的格式回答以下问题。你可以使用下面这些工具：
{tools}
回答时需要遵循以下用---括起来的格式：
---
Question: 我需要回答的问题
Thought: 回答这个上述我需要做些什么
Action: "{tool_names}" 中的一个工具名
Action Input: 选择这个工具所需要的输入
Observation: 选择这个工具返回的结果
...（这个 思考/行动/行动输入/观察 可以重复N次）
Thought: 我现在知道最终答案
Final Answer: 原始输入问题的最终答案
---
现在开始回答，记得在给出最终答案前，需要按照指定格式
进行一步一步的推理。
Question: {input}
{agent_scratchpad}
"""

Agent通过ReAct知道调用哪个工具。

特斯拉客服助手案例：

Agent 的核心是把 LLM 当作推理引擎，让它能使用外部工具，以及自己的长期记忆，从而完成灵活的决策步骤，进行复杂任务；

LangChain 里的 Chain 的概念，是由人来定义的一套流程步骤来让 LLM 执行，可以看成是把LLM 当成了一个强大的多任务工具；

典型的 Agent 逻辑（比如 ReAct）：

• 由 LLM 选择工具。
• 执行工具后，将输出结果返回给 LLM
• 不断重复上述过程，直到达到停止条件，通常是 LLM 自己认为找到答案了。

ReAct框架： 使用LangChain的ReAct框架，允许代理执行思考-行动-观察的循环：

1. 思考：分析任务，确定下一步行动；
2. 行动：调用适当的工具；
3. 观察：分析工具返回的结果；
4. 重复：根据观察结果继续思考，直到任务完成；

案例：工具链组合设计

工具链组合设计
在Agent系统中，工具链是实现复杂任务的关键组件。通过将多个工具组合，Agent可以逐步处理复杂的问题。

示例：LangChain中的工具加载与组合

from langchain.agents import load_tools
from langchain.llms import OpenAI
llm = Tongyi(model_name="qwen-turbo", dashscope_api_key=DASHSCOPE_API_KEY)
tools = load_tools(["serpapi", "llm-math"], llm=llm)

这里加载了搜索引擎工具（serpapi）和数学计算工具（llm-math），并将其与语言模型（LLM）组合使用，以处理需要搜索和计算的任务。

通过组合三个工具来解决复杂任务，包括：

• 文本分析工具 (TextAnalysisTool)：负责分析文本内容，提取统计信息和情感倾向。
• 数据转换工具 (DataConversionTool)：实现不同数据格式之间的转换，目前支持JSON和CSV格式互转。
• 文本处理工具 (TextProcessingTool)：提供文本处理功能，如统计行数、查找文本和替换文本。

测试用例：
1、分析以下文本的情感倾向，并统计其中的行数：'这个产品非常好用，我很喜欢它的设计，使用体验非常棒！\n价格也很合理，推荐大家购买。\n客服态度也很好，解答问题很及时。’
2、将以下CSV数据转换为JSON格式：'name,age,comment\n张三,25,这个产品很好\n李四,30,服务态度差\n王五,28,性价比高’
3、分析以下文本，找出所有包含’好’的行，然后将结果转换为JSON格式：‘产品A：质量好，价格合理\n产品B：外观好，但价格贵\n产品C：性价比好，推荐购买’

整体的工作流程：
Step1, 用户提交任务描述；
Step2, Agent分析任务，决定使用哪些工具；
Step3, Agent通过ReAct框架调用相应工具；
Step4, 系统整合各工具结果，生成最终回答；

LCEL构建任务链

LCEL 是 LangChain 推出的链式表达式语言，支持用"|“操作符将各类单元（如Prompt、LLM、Parser等）组合。
每个”|"左侧的输出会自动作为右侧的输入，实现数据流式传递。

优势：

• 代码简洁，逻辑清晰，易于多步任务编排。
• 支持多分支、条件、并行等复杂链路。
• 易于插拔、复用和调试每个子任务。

典型用法：

• 串联：A | B | C，A的输出传给B，B的输出传给C。
• 分支：{“x”: A, “y”: B}，并行执行A和B。
• 支持流式：如 .stream() 方法可边生成边消费。

任务链的每一步由开发者显式指定（如先文本分析再统计行数，或条件分支）。
不具备 Agent 的"自主决策"能力，所有流程和分支都需手动编排。