随着时代的发展，智能体已经逐渐进入到了我们的视野，只要我们紧跟时代步伐，无论未来怎样，相信自己，你都不会差。今天学习了完整的LangChain是什么？里面包括了什么，以及项目中应该怎么应用，还是，如果哪些地方有问题，大家一定要多多指出纠正我。

        

一.大模型

        大模型分为：公共大模型&私有大模型

公用大模型：例如deepseek  豆包，成本低，不是很安全，长期使用成本会变高。申请个密钥就能用，按调用量计费，不用自己买显卡，上手最快。

私有大模型：自己创建的模型，比较安全。用Ollama这个工具，把大模型下载到自己电脑/服务期上，数据不流出内网，安全性高；但需要显卡硬件，成本高。

Ollama:　简化大模型语言模型（本地部署）+（运行过程）开源软件。

显卡是什么：如果CPU是办公室的主管，擅长处理复杂问题，那显卡好比一大群流水线工人，擅长同时干大量重复简单的工作。最基础的是画面输出，我觉得我的电脑的显卡应该很一般，因为不管是之前玩游戏还是制作3D建模时感觉画质都很一般，AI运算，比如大模型，本地AI绘图，RAG向量计算，需要海量数据计算，靠的是显卡跑。

openAI是什么：是一个大模型，制定API规范成为大模型API默认规范，几乎大模型都兼容openAI规范。

大模型ＡＰＩ：访问模型对外暴露的API接口，实现与大模型的交互。

二.LangChain 和Agent到底是什么呢？

LangChain:我的理解就是一个开发智能体的平台（python，TypeScript）你是单一的库，是一整套【智能体开发工具全家桶】其中分为四个重要部分：

LangChain：快速搭建简单智能体原型

LangGraph：编排复杂流程，适合有分支、循环、状态保存的任务

Deep Agents：处理超长、多步骤的高复杂度任务

LangSmith：调试、测试、评估、部署智能体的平台

        Agent：智能体， agent = 大模型+工具 +记忆。普通大模型只会聊天，Agent能自己判断“要不要执行？”自主动脑子来回答你，如果遇到复杂情况还会调用工具，最后整合答案给你。

                pip install -U langchain

                                                        pip install -U langchain-openai

                                                        pip install -U langchain-deepseek

三. 模型初始化与调用

model的初始化：init_chat_model 根据模型的名称自动识别厂商，自动读取环境变量，一键创建对象。换模型只换模型名字即可。记得在环境变量中部署大模型的ＡＰＩ哦。

模型参数：

1.temperature:控制生成文本随机性，值越小越准，越大越发散。

2.max_tokens：生成文本长度

3.top_p:控制生成文本多样性，值越小越稳定。

4.timeout：接口请求超时时间

5.max_retries:请求失败重试次数（1~5）

调用模型的形式：

        invoke阻塞式：发完请求需要等待，模型全部生成完内容一步返回，适合后台处理数据。

        stream流式访问：模型生成一个字就返回一个字，适合聊天界面，用户感体验很好。

在Agent中使用模型：引用create_agent 完整任务流程，有记忆，返回完整运行快照。

那模型 invoke 调用和智能体 invoke 调用有什么区别呢？

        模型.invoke () 是直接调用「大模型本身」，它只负责 “生成文本”；

        智能体.invoke () 是调用「一整套智能系统」，它会自己规划、调用工具、查资料，最终给你完成任务。

调用方式	适合场景	典型例子
模型.invoke ()	简单、单步、纯文本处理，不需要外部信息	翻译、润色、文本分类、简单文案生成
智能体.invoke ()	复杂、多步骤、需要外部信息 / 工具的任务	客服问答、数据分析、信息检索、任务规划、工具调用

四.和模型沟通的三件套：消息，提示词，输出解析

消息（Message）:本质就是给大模型发消息，大模型返回消息，并不是纯文本，是需要分角色的：系统提示，用户输入，AI回复。LangChain都封装成了对象，不用自己写字典。还支持发送照片（本地图片装成base64）

base64：通用编码从二进制换成纯文本

提示词（prompt）：发送给模型的指令。想要有稳定的输出，一定要会写提示词

                                提示词模板 = 身份 + 指令 + 样例 +上下文　

输出解析器（OutputParser）：模型默认返回自然语言，程序不好处理。解析器就是把输出转成程序能用的格式：

        纯文本解析器：只提取文字，去掉多余包装

        JSON 解析器：自动转成 Python 字典

        Pydantic 解析器：企业最常用，强类型校验，字段错了直接报错，适合复杂业务场景。

五．工具

工具就是给智能体装上了手脚，如果模型是大脑的话，那么工具一定是躯干哈哈哈。

工具分为自定义工具和第三方工具：

自定义工具：写个普通的参数　＋ @Tool 装饰器就行。模型会自己判断什么时候调用什么。注意：config和runtime是保留参数名，不能自己定义。

第三方工具：LangChain内置了一大堆现成的工具，比如说Tavily网页搜索，Agent遇到不知道的事会自己全网搜索，不用你写爬虫。

六.　记忆

记忆分为短期记忆和长期记忆：
        短期记忆：当前会话记住  一般存在内存 redis中，程序关了就没了，适合开发测试。用InMemorySaver实现，靠thread_id区分不同人的对话。

        长期记忆：存在数据库里（比如 SQLite），程序重启也还在，适合正式产品。同一个thread_id下次打开还能接着聊。

那么最重要的是什么？就是不让智能体胡说八道。为了解决这个问题：RAG

七. RAG是什么？

大模型有两个核心痛点：幻觉+ 知识时效性不足（也就是说假话+知识老旧）

解决方案：微调/ RAG

微调：在预训练大模型基础上，用领域专属数据进一步训练，让大模型内化专业知识。就是让知识记住，成本高，周期长，更新麻烦。

RAG:检索增强生成，生成前先从外部知识库（文档/数据库/网页）检索相关事实。将检索结果与用户问题一同输入模型。就是模型先去知识库搜索相关内容，再根据搜到的内容生成答案。成本低，更新方便，还能溯源答案来源，是现在的主流方案。

RAG 分两大步：

离线建库：把文档（PDF、Word、TXT 等）读进来→切成小块→转成向量→存到向量数据库，做好索引。

在线问答：用户提问→把问题也转成向量→去向量库搜最相似的几段文字→把问题 + 搜到的资料一起发给大模型→模型根据资料生成答案。

八.链式调用（LCEL）

把组件串成流水线，让我感觉很像java中的流。

核心逻辑就是链式调用。

                                        eg: chain = prompt | LLM | parser

                                                     提示词模板|大模型|输出解析器

用　|　符号把提示词模板，大模型，输出解析器串起来，像流水线一样自动传参。

只要你传你最开始的变量，它会自动一步处理，最后返回你想要的结果。

支持的调用方式*3:

                                同步调用：invoke 

                                流式输出：stream

                                批量处理：batch

                （必须实现统一规范：Runnable接口）

九. RAG 四步走：加载→拆分→向量化→存库

1.文档加载器：负责把各种格式的文件读成 LangChain 统一的Document格式。

        常用的：  读 TXT 的TextLoader、

                         读 PDF 的PyPDFLoader、

                         读 Markdown 的UnstructuredMarkdownLoader

       读 CSV 的CSVLoader。

2.文本分割器：因为大模型上下文长度优先，而且整段文档检索不准。切成小块后，技能放进上下文，又能精准匹配语义。

CharacterTextSplitter：按固定字符数硬切，简单粗暴，容易把一句话切两半，适合纯文本日志。

RecursiveCharacterTextSplitter：最常用，分层切割，优先按段落、再按句子、再按词，尽量不破坏语义，适合绝大多数文档。

3.嵌入模型：把文字转换成一串数字（向量），语义相近的文字，向量距离就近。

可以用阿里云百炼的在线嵌入 API，方便稳定。

也可以用本地开源的bge-m3模型，用 Ollama 跑，免费、数据不出去，效果很好，是现在主流的开源选择。

4.向量数据库

文本向量存储：文本嵌入向量 = 向量存储 +语义相似性检索　（核心：语义相似性检索）

入门推荐Chroma：轻量、本地文件存储，不用装服务，开箱即用。

生产环境常用 Milvus、Pinecone、Redis 向量检索等。

５.检索器：将文档存入向量数据库中，执行语义检索，从知识库中匹配与用户问题最相关的文本片段。　功能是：从本地向量库加载已存储的文档数据，执行相似度检索，支持设置返回条数。支持相关评分。

好啦，终于整理完了，知识好多，希望知识都能自动吸入大脑，好了大家拜拜～

－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－

1. 大模型对接：公有 API（低成本快上手）/ 本地 Ollama（高隐私需硬件），API 普遍兼容 OpenAI 格式。
2. LangChain 四大件：LangChain（快速原型）、LangGraph（流程编排）、Deep Agents（复杂任务）、LangSmith（调试部署）。
3. Agent = 大模型 + 工具 + 记忆，自主规划调用工具完成任务。
4. 模型调用：init_chat_model一键初始化；invoke阻塞返回，stream流式输出。
5. 消息四角色：system（身份指令）、human（用户输入）、ai（模型回复）、tool（工具结果）。
6. 提示词四要素：身份、指令、样例、上下文；用模板复用，避免重复编写。
7. 输出解析器：Str（纯文本）、Json（字典）、Pydantic（强类型校验，企业首选）。
8. 工具定义：函数加@tool装饰器，参数加类型注解；禁用config/runtime参数名。
9. 记忆分类：短期（内存 InMemorySaver）、长期（数据库 SqliteSaver）；靠thread_id标识会话。
10. RAG 解决：幻觉、知识过时；无需微调，外挂知识库，成本低可溯源。
11. RAG 两阶段：离线建库（加载→拆分→向量化→存库）；在线检索（问题向量化→匹配→组提示→生成）。
12. LCEL 链式调用：A | B | C管道式串联，自动传参；支持 invoke/stream/batch 三种调用。
13. 文档加载：统一转 Document 对象；常用 Text/PyPDF/Markdown/CSV 加载器；Docling 解析强但更重。
14. 文本拆分：优先用 RecursiveCharacterTextSplitter，分层语义切割，chunk_size+chunk_overlap控制大小和重叠。
15. 嵌入模型：文本转向量，用于语义匹配；在线用百炼，本地推荐 bge-m3（Ollama 部署）。
16. 向量库：入门用 Chroma（本地轻量）；生产用 Milvus/Pinecone 等；支持相似度检索 + 评分。
17. 项目落地：RAG 检索工具 + Agent 记忆 + 流式输出 + FastAPI 接口 = 完整智能问答系统。