langchain 架构
结构 1: LangChain
- langchain ：构成应用程序认知架构的 Chains, Agents, Retrieval strategies 等
构成应用程序的链、智能体、RAG。 - langchain-community ：第三方集成
比如：Model I/O、Retrieval、Tool & Toolkit；合作伙伴包 langchain-openai, langchain-anthropic 等。 - langchain-Core：基础抽象和 LangChain 表达式语言 (LCEL)
LangChain，就是 AI 应用组装套件，封装了一堆的 API。langchain 框架不大，但是里面琐碎的知识点特别多。就像玩乐高，提供了很多标准化的乐高零件（比如，连接器、轮子等）
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
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。
正是因为 LangSmith 这样的工具出现，才使得 LangChain 意义更大，要不仅靠一些 API（当然也可以不用，用原生的 API）。
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。
总结
LangChain 当中，最有前途的两个模块就是：LangGraph，LangSmith。
LangChain 能做 RAG，其它的一些框架也能做，而且做的也不错，比如 LlamaIndex。所以这时候 LangChain 要在 Agent 这块发力，那就需要 LangGraph。而 LangSmith，做运维、监控。故，二者是 LangChain 里最有前途的。
核心组件层次
txt
┌───────────────────────────────────────────┐
│ 应用层(Applications) │
├───────────────────────────────────────────┤
│ 链层(Chains) │
├───────────────────────────────────────────┤
│ 组件层(Components) │
│ ┌──────────┬──────────┬──────────┐ │
│ │ Models │ Prompts │ Memory │ │
│ ├──────────┼──────────┼──────────┤ │
│ │ Indexes │ Agents │ Callbacks│ │
│ └──────────┴──────────┴──────────┘ │
├───────────────────────────────────────────┤
│ 基础层(Foundation) │
└───────────────────────────────────────────┘核心组件
| 模块 | 作用 | 示例 |
|---|---|---|
| Prompt | 设定提示模板 | "请分析以下文本情感：{text}" |
| LLM | 调用大模型（如 OpenAI、Qwen、Claude） | ChatOpenAI() |
| Parser | 解析模型输出为结构化结果 | StrOutputParser()、with_structured_output() |
| Chain (LCEL) | 用管道符把各模块串联起来 | Prompt - LLM - Parser |
| Memory | 保存历史对话，实现上下文记忆 | RunnableWithMessageHistory() |
| Tool | 工具调用，例如计算、查天气 | @tool |
| RAG | 检索增强问答，结合向量数据库 | FAISS / Chroma |
| Fallback | 模型或链出错时的自动回退 | .with_fallbacks() |
主要模块说明
🤖 Models(模型层)
-- LLM 接口：OpenAI、Anthropic、Hugging Face 等
-- Chat Models：专门用于对话的模型接口
-- Embeddings：文本向量化模型
📝 Prompts(提示层)
- Prompt Templates：动态提示模板
- Few-shot Examples：少样本学习示例
- Output Parsers：结构化输出解析
🧠 Memory(记忆层)
- Conversation Memory：对话记忆
- Vector Store Memory：向量存储记忆
- Summary Memory：摘要记忆
🔍 Indexes(索引层)
- Document Loaders：文档加载器
- Text Splitters：文本分割器
- Vector Stores：向量数据库
🤖 Agents(代理层)
- Tool Integration：工具集成
- Decision Making：决策制定
- Action Execution：动作执行