1、LangChain资料
官网地址：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
2、总体架构图
官方最新版本虽然都已经是V1了，但是其v0.1~v0.3各版本的架构都有参考价值，大部分都是一脉相承的。
v0.1版本
V0.2 / V0.3 版本
3、内部架构详情
结构1：LangChain
langchain：构成应用程序认知架构的Chains，Agents，Retrieval strategies等。
langchain-community：第三方集成
langchain-Core：基础抽象和LangChain表达式语言 (LCEL)
结构2：LangGraph
LangGraph可以看做基于LangChain的api的进一步封装，能够协调多个Chain、Agent、Tools完成更 复杂的任务，实现更高级的功能。
结构3：LangSmith
https://docs.smith.langchain.com/
**链路追踪。**提供了6大功能，涉及Debugging (调试)、Playground (沙盒)、Prompt Management (提 示管理)、Annotation (注释)、Testing (测试)、Monitoring (监控)等。与LangChain无缝集成，帮助你 从原型阶段过渡到生产阶段。
结构4：LangServe
将LangChain的可运行项和链部署为REST API，使得它们可以通过网络进行调用。
Java怎么调用langchain呢？就通过这个langserve。将langchain应用包装成一个rest api，对外暴露服 务。同时，支持更高的并发，稳定性更好。
4、核心组件
LangChain的核心组件涉及六大模块，这六大模块提供了一个全面且强大的框架，使开发者能够创建复 杂、高效且用户友好的基于大模型的应用。
核心组件1：Model I/O
Model I/O：标准化各个大模型的输入和输出，包含输入模版，模型本身和格式化输出。
以下是使用语言模型从输入到输出的基本流程。
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。
核心组件2：Chains
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：
LLMChain：最基础的模型调用链
SequentialChain：多个链串联执行
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
核心组件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
核心组件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：
AgentType：定义决策逻辑的工作流模式
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。
核心组件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
核心组件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。
回调函数，对于程序员们应该都不陌⽣。这个函数允许我们在LLM的各个阶段使⽤各种各样的
"钩⼦"，从而达实现⽇志的记录、监控以及流式传输等功能。
