1.LangChain概述 - 技术栈

1. 为什么需要 LangChain？

传统应用到智能体时代的跨越。
单一 LLM 的局限性 ：
1. 知识时效受限：受限于预训练数据，无法获取最新的实时信息。
2. 无法直接与外部系统交互：不能直接查询数据库、调用 API 或使用外部工具。
3. 不具备状态保持（记忆）能力：难以维持长期、连贯的多轮对话，对话历史易丢失。
核心理念 ：为了构建实用的 AI 应用，必须将大语言模型与外部工具、数据源和记忆机制有机结合。而 LangChain 正是作为大模型与应用之间的中间层，封装了这些复杂的逻辑，是当前构建生产级 AI 智能体系统的首选。

2. LangChain 的介绍与核心结构

2.1 LangChain v1.2 的主要模块

随着 v1.x 系列版本的发布，LangChain 进行了彻底的架构重构与瘦身，其核心包实现了最小化，不同的模型供应商分离为独立包：

langchain-core：官方推荐的核心 API，包含 Runnable、BaseMessage 等核心抽象接口，保持轻量。
langchain-classic：向后兼容包。将 0.x 中常用而在 1.x 中被移除/不推荐使用的经典 API（如旧的 Chain 结构）迁移至此。
langchain-community ：第三方集成包。包含各种第三方合作伙伴包，如 langchain-openai、langchain-anthropic 等，按需安装，避免依赖臃肿。
langgraph：智能体系统基础。深度整合了 LangGraph 1.0，用于协调多个 Chain、Agent、Tools，支持循环调用，是实现复杂状态流转和多智能体协作的核心。

2.2 API 文档与资源

学习 LangChain 不需要死记硬背所有 API，而是将其作为工具箱，按需查询：

官网：www.langchain.com/
Github 地址 ：github.com/langchain-a...
中文文档 ：docs.langchain.org.cn/oss/python/...
API 参考文档（最权威的类与方法查询地址） ：reference.langchain.com/python/lang...

2.3 LangChain 家族的四大支柱

整个生态已覆盖智能体系统全生命周期，由以下四大支柱构成：

LangChain（基础能力层）：提供统一的模型抽象层、模块化设计（Message/Tool/Agent/Middleware）和丰富的集成生态。适用于构建简单的智能体应用。
LangGraph （运行时编排层）：负责复杂、有状态、支持循环的工作流编排。核心思想是将智能体内部抽象为有向图，包括节点（Node）、边（Edge）和状态（State）。
Deep Agent （智能体抽象层 / 执行框架）：定位为 Agent Harness，构建在 LangChain 与 LangGraph 之上。免去开发者从零构建控制逻辑，提供显式规划 、虚拟文件系统 、子智能体协作 、长期记忆 和可扩展中间件等高级能力。
LangSmith （监控与评估层）：可视化监控与测试平台，提供全链路追踪 、调试与优化 、评测与质量控制 及团队协作，形成开发、测试到运维的质量闭环。

3. 大模型（LLM）应用场景与开发模式

3.1 核心技术与开发模式对比

纯 Prompt (直接提示词)
- 模式：应用程序 $→\rightarrow$ → Prompt $→\rightarrow$ → 基础大模型 $→\rightarrow$ → Response $→\rightarrow$ → 应用程序。
- 交互：简单的单轮或多轮一问一答，大模型是唯一的交互接口。
Agent + Function Calling (智能体与工具调用)
- 核心：LLM 作为"大脑"（推理引擎），主动提出调用外部系统（API、数据库、函数）的需求，以此扩展自身能力。
- 示例：用户询问"明天去杭州需要带伞吗？"，Agent 判定需要先调用"天气预报 API"，获取数据后再向用户反馈建议。
RAG (检索增强生成 - Retrieval-Augmented Generation)
- 痛点：解决 LLM 知识冻结（无法实时学习最新数据）和幻觉问题（胡说八道）。
- 流程：
  1. 将本地文件（PDF、Word 等非结构化数据或结构化数据）通过 Loader 加载，经 Text Splitter 切割成文本块（Chunks）。
  2. 通过 Embedding Model 转化为向量，存储到向量数据库中。
  3. 检索时，将用户提问（Query）进行向量化，在向量数据库中进行相似度搜索，召回相关的文本块。
  4. 把召回的文本块作为上下文（Context），拼接成 Prompt 喂给 LLM 生成精准答案。
- 优化 (Reranker 重排) ：
  - 在文档数量多时，先召回较多文本（如 top 20 或 top 50），使用重排器进行精排，从而提升准确率，减少喂给 LLM 的无关噪声。
  - 适用场景：适合高精度和强相关性要求（如客服、专业知识库）；不适合极高响应速度要求的场景。
Fine-tuning (精调/微调)
- 模式：使用特定任务数据重新训练模型权重。
- 特点：成本最高，但在前几种方式（Prompt、RAG、Agent）完全解决不了问题（如特定语气、深度垂直领域的定制格式输出）时再考虑使用。

3.2 技术选择决策路径

面对具体项目需求，通常的选择思路是：

graph TD A[准备测试数据] --> B(用对话应用验证可行性) B --> C{是否要补充外部知识?} C -- 是 --> D[采用 RAG 方案] C -- 否 --> E{是否要对接其它系统?} E -- 是 --> F[采用 Function Calling / Tool] E -- 否 --> G{是否值得尝试微调?} G -- 是 --> H[采用 Fine-tuning] G -- 否 --> I[直接交付/纯 Prompt 方案]

3.3 Agent 开发核心公式与要素

$Agent=LLM (大脑)+Planning (规划决策)+Tools (工具使用)+Memory (记忆)+Action (实际行动)\text{Agent} = \text{LLM (大脑)} + \text{Planning (规划决策)} + \text{Tools (工具使用)} + \text{Memory (记忆)} + \text{Action (实际行动)}$ Agent=LLM (大脑)+Planning (规划决策)+Tools (工具使用)+Memory (记忆)+Action (实际行动)

LLM：推理与决策中枢。
Planning：任务分解（如 CoT 思维链）与反思自省框架。
Tools：调用外部 API、数据库等。
Memory ：
- 短期记忆：单次对话的上下文（受限于模型 Token 窗口长度）。
- 长期记忆：跨对话存储的核心知识，通常通过模型微调、知识图谱或向量数据库实现。
Action：软件接口操作或物理交互的实际执行。