LangChain 架构总览：现代 AI 应用的基石

一、定位与动机：LangChain 是什么？为何重要？

在大语言模型 (LLM) 被应用于各类环境的时代，组合 LLM 能力和外部系统已成为基础需求。LangChain 作为这样一个专业的编程框架，提供了构建、运行、调用、调试和异常处理所需的 LLM 应用开发全栈能力。

它不仅是"抽象 LLM API 类"，而是一个支持运行时模块组合与执行流程组织的框架。旨在为 AI 应用提供:

• 组合化的扩展组件（接口、工具、内存）
• 声明式、可绘图、可观测的执行流程
• 简化 Agent 决策、展示和调试

---

二、LangChain 最新版本包结构

LangChain 已于 2024年后期完全分离为多个包，同时实现了一套精密的核心设计模式：

核心包结构

包名	功能定位
langchain-core	核心设计：进程模型接口，Runnable 表达式模型，基础 Prompt/内存
langchain	高级组合：Chain/Agent 高层抽象
langchain-community	社区扩展：不同模型/向量库/文档加载器
langgraph	图形性设计：长期有状态 Agent 图网组合
langserve	应用部署：将任何 Runnable 部署为服务
langsmith	可观测化：分段、日志、评估 Agent/链性能

---

三、核心模型：Runnable + LCEL

LangChain 最核心的设计是 LCEL (LangChain Expression Language)，将全部组件抽象为 可执行单元（Runnable）：

• 每个 Prompt/链/模型/内存/工具 都是 Runnable
• 支持 .invoke() / .stream() / .batch() / .map() / .with_fallbacks()
• 支持模块组合、流式调用、异常传递、回退与重试等机制，具备强大的运行时灵活性

LCEL 将各类模块统一抽象为 Runnable，对外提供声明式语法，支持将多个执行单元组合成数据驱动的流程链，并可通过图形化工具对执行路径进行可视化追踪与调试。

• 源代码：libs/core/langchain_core/runnables/base.py

class Runnable(ABC, Generic[Input, Output]):
    """A unit of work that can be invoked, batched, streamed, transformed and composed.
    可调用、批处理、流式处理、转换和组合的工作单元。
    Key Methods
    ===========

    - **invoke/ainvoke**: Transforms a single input into an output.（将单个输入转换为输出）
    - **batch/abatch**: Efficiently transforms multiple inputs into outputs.（高效地将多个输入转换为输出）
    - **stream/astream**: Streams output from a single input as it's produced.（在单个输入生成时，流式处理输出）
    - **astream_log**: Streams output and selected intermediate results from an input.（流式处理输入的输出和选定的中间结果）
    
    ...

    LCEL and Composition
    ====================

    The LangChain Expression Language (LCEL) is a declarative way to compose Runnables
    into chains. Any chain constructed this way will automatically have sync, async,
    batch, and streaming support.
    LangChain 表达式语言 (LCEL) 是一种将 Runnable 组合成链的声明式方法。任何以这种方式构建的链都将自动支持同步、异步、批处理和流式传输。

    ...
    
    """

• 示例

from langchain_core.runnables import RunnableLambda, RunnableMap

chain = RunnableMap({"name": lambda _: "LangChain"}) \
        | RunnableLambda(lambda d: f"Hello, {d['name']}!")

print(chain.invoke({}))  # 输出：Hello, LangChain!

---

四、模块分层规划

1. Model I/O (模型调用)

   • ChatModel 接口
   • EmbeddingModel
   • Tokenizer 进行 prompt length 预算

2. Prompt/Memory (输入/内存)

   • PromptTemplate
   • ConversationMemory, BufferMemory

3. Chains 链式构造

   • LLMChain
   • SequentialChain / RouterChain / RetrievalQA

4. Agents

   • initialize_agent
   • AgentExecutor + Tools + ReAct loop

5. Retriever & VectorStore

   • FAISS / Chroma / Weaviate
   • Retriever 调用 .get_relevant_documents()

6. LangGraph

   • 设计有状态/多步驱动/异步任务

---

五、设计模式攻略

• 抽象层 (Abstract BaseClass) 如 ChatModel/Tool
• 工厂方法 ：通过 from_config 和 .from_chain_type 快捷构造
• 组合模式 ：用 chain 连接各组件
• 策略模式 ：agent 根据 prompt 生成出所需工具调用路径

---

六、后续系列路线规划

这篇文章是全系列的开篇，我们将逐步揭示其核心模块，包括：

• Runnable 实现
• 自定义 Prompt + Memory
• Agent 决策 + Tool 扩展
• RetrievalQA 与向量库管理
• LangGraph 有状态图网
• LangServe / LangSmith 实际部署

---

结论

LangChain 已不是一个简单调用 LLM API 的 SDK，而是一套有系统设计、可维护、可实践、可扩展的 LLM 应用平台架构。

理解 LangChain 的设计原则，是我们在复杂工程环境中有效构建和优化 AI 应用性能的关键起点。

接下来我们将逐步手工构造一个 Runnable 扩展，从源码解析它是如何实现"演化型进程"。