Langchain学习笔记一 -基础模块以及架构概览

OVERVIEW

一 LangChain 总体架构（5 层）

以 LangChain 为核心，当前主流结构可以抽象为：

输入 → Prompt → Model → Chain/Agent → Tool/Memory → Output

拆成 5 层:

层级	作用	核心模块
L1	模型层	Models
L2	提示层	Prompts
L3	运行层	Chains / Runnables
L4	智能层	Agents / Tools
L5	记忆层	Memory / Retriever

整体架构示意图：

```
📥 输入 (Input)
      ↓
┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┓
┃ L5 记忆层 (Memory / Retriever)                      ┃
┃ ┌────────────┐  ┌────────────┐  ┌────────────┐     ┃
┃ │Conversation│  │ VectorStore│  │ Retriever  │ ... ┃  ← 选其一或组合
┃ │  Memory    │  │            │  │            │     ┃
┃ └────────────┘  └────────────┘  └────────────┘     ┃
┃ 💾 长期记忆、向量检索、上下文管理                   ┃
┗━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┛
      ↓
┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┓
┃ L4 智能层 (Agents / Tools)                          ┃
┃ ┌────────────┐  ┌────────────┐  ┌────────────┐     ┃
┃ │   Agent    │  │   Tools    │  │ReAct/Tool  │ ... ┃  ← 选其一或组合
┃ │ Executor   │  │            │  │  Calling   │     ┃
┃ └────────────┘  └────────────┘  └────────────┘     ┃
┃ 🤖 自主决策、工具调用、多步推理                     ┃
┗━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┛
      ↓
┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┓
┃ L3 运行层 (Chains / Runnables)                      ┃
┃ ┌────────────┐  ┌────────────┐  ┌────────────┐     ┃
┃ │    LCEL    │  │  LLMChain  │  │ Runnable   │ ... ┃  ← 选其一
┃ │            │  │            │  │ Sequence   │     ┃
┃ └────────────┘  └────────────┘  └────────────┘     ┃
┃ ⚙️  流程编排、数据流转、LCEL 表达式                  ┃
┗━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┛
      ↓
┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┓
┃ L2 提示层 (Prompts)                                 ┃
┃ ┌────────────┐  ┌────────────┐  ┌────────────┐     ┃
┃ │  Prompt    │  │    Chat    │  │  FewShot   │ ... ┃  ← 选其一
┃ │ Template   │  │  Prompt    │  │  Prompt    │     ┃
┃ └────────────┘  └────────────┘  └────────────┘     ┃
┃ 📝 模板管理、变量注入、Few-shot 示例                ┃
┗━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┛
      ↓
┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┓
┃ L1 模型层 (Models)                                  ┃
┃ ┌────────────┐  ┌────────────┐  ┌────────────┐     ┃
┃ │   OpenAI   │  │   Claude   │  │HuggingFace │ ... ┃  ← 选其一
┃ │            │  │            │  │            │     ┃
┃ └────────────┘  └────────────┘  └────────────┘     ┃
┃ 🧠 LLM / Chat / Embedding                           ┃
┗━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┛
      ↓
📤 输出 (Output)

二 模块说明

L1 Models层

Chat Models（主流）

from langchain.chat_models import ChatOpenAI

或新写法：

from langchain_openai import ChatOpenAI

---

Embeddings（向量）

from langchain.embeddings import OpenAIEmbeddings

L2 提示层

负责：Prompt 模板化

1️⃣ PromptTemplate（文本）

from langchain.prompts import PromptTemplate

本质：

str.format

---

2️⃣ ChatPromptTemplate（核心）

from langchain.prompts import ChatPromptTemplate

---

3️⃣ MessagesPlaceholder（历史占位）

from langchain.prompts import MessagesPlaceholder

用于插入 memory：

MessagesPlaceholder("chat_history")

Prompt 层总结

模块	用途
PromptTemplate	简单脚本
ChatPromptTemplate	主流
MessagesPlaceholder	多轮

L3：Chains / Runnables（执行层）

这是 LangChain 最重要的一层。

现在已经统一成：👉 Runnable 体系

---

1 Runnable（核心抽象）

任何可执行对象都是 Runnable：

Prompt → LLM → Parser

都实现：

.invoke()
.stream()
.batch()

---

2 管道写法

chain = prompt | llm | parser

本质是：RunnableSequence

---

3 OutputParser（解析器）

from langchain.output_parsers import JsonOutputParser

作用：👉 把模型输出 → 结构化

L4：Agents & Tools（智能层）

负责：让模型"会用工具"，这是 Agent 系统的核心。

1 Tools（工具）

from langchain.tools import tool

定义函数：

@tool
def search(q: str):
    ...

让模型调用。

---

2 AgentExecutor（运行器）

负责跑 Agent( 负责循环、工具调用、返回结果、verbose/tracing 等）

from langchain.agents import AgentExecutor

3 Tool Calling Agent（推荐）

create_openai_tools_agent()

基于 function calling，更稳。

**「现代标准写法」示例 **

from langchain_openai import ChatOpenAI
from langchain.tools import tool
from langchain.agents import (
    create_tool_calling_agent,
    AgentExecutor
)
from langchain.prompts import ChatPromptTemplate

llm = ChatOpenAI(model="gpt-4o-mini")

@tool
def search(q: str) -> str:
    return f"Result for: {q}"

tools = [search]

prompt = ChatPromptTemplate.from_messages([
    ("system", "You are a helpful assistant."),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}"),
])


# 1️⃣ 造 agent（只负责"想怎么用工具"）
agent = create_tool_calling_agent(
    llm=llm,
    tools=tools,
    prompt=prompt
)

# 2️⃣ Executor（负责跑循环）
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True
)

# 3️⃣ 调用
res = agent_executor.invoke({
    "input": "Search PPO and summarize"
})

print(res["output"])**。

L5：Memory / Retriever（记忆与知识）

负责：上下文 & 知识增强

---

1️⃣ Memory（对话记忆）

from langchain.memory import ConversationBufferMemory

常见：

类型	作用
Buffer	全存
Window	最近 N 条
Summary	自动总结

---

2️⃣ VectorStore（向量库）

from langchain.vectorstores import FAISS

或：Chroma/Milvus/Weaviate

---

3️⃣ Retriever（检索器）

统一接口：

retriever = db.as_retriever()

用于 RAG。

---

4️⃣ RAG Chain

典型结构：

Retriever → Prompt → LLM

---

✅ 记忆层总结

模块	用途
Memory	多轮
VectorStore	知识库
Retriever	RAG