LangChain 基础知识

1. Runnable 与调用方式

LangChain 中很多组件都遵循统一的 Runnable 接口，例如 Prompt、Model、Retriever 等。

常见调用方式：

python 复制代码

# 单次调用
chain.invoke(input)

# 批量调用
chain.batch(inputs)

# 流式调用
chain.stream(input)

其中 invoke() 最常用，而 stream() 常用于实现类似 ChatGPT 的逐步输出效果。

2. RunnablePassthrough

RunnablePassthrough 可以将输入数据直接传递到 Chain 的下一环节。

例如 RAG 中经常需要同时传递：

text 复制代码

用户问题
    ├──→ Retriever → context
    │
    └──→ question

最终组合成：

text 复制代码

context + question
        ↓
      Prompt
        ↓
       LLM

它在构建 LCEL 流程时非常常见。

3. Chat History

普通模型调用默认不会自动记住之前的聊天内容。

例如：

text 复制代码

用户：设备 A001 出现了故障

AI：请问具体是什么故障？

用户：温度过高

如果需要模型理解第二次提问和第一次提问之间的关系，就需要保存聊天历史。

基本流程：

text 复制代码

用户消息
   ↓
Chat History
   ↓
Prompt
   ↓
LLM
   ↓
AI 回复
   ↓
保存到 Chat History

这也是实现多轮 AI 对话的重要基础。

4. Streaming 流式输出

普通调用：

text 复制代码

用户提问
   ↓
等待模型生成完成
   ↓
一次性显示答案

流式调用：

text 复制代码

用户提问
   ↓
模型生成
   ↓
生成一点 → 返回一点 → 页面显示一点

例如：

python 复制代码

for chunk in chain.stream({
    "question": "什么是 RAG？"
}):
    print(chunk.content, end="")

实际 Web 项目中的 AI 聊天界面通常会使用流式输出改善用户体验。

5. Metadata 元数据

知识库中的 Document 除了正文，还可以保存 Metadata。

例如：

python 复制代码

{
    "page_content": "变压器发生过热时需要检查冷却系统",
    "metadata": {
        "source": "设备运维手册.pdf",
        "page": 15,
        "device_type": "变压器"
    }
}

Metadata 可以记录：

文件名称
页码
文档类型
设备类型
创建时间
知识分类

在 RAG 中可以利用 Metadata 进行过滤，也可以在回答中展示知识来源。

6. 相似度搜索

向量数据库并不是简单进行关键词匹配，而是根据向量之间的相似程度进行搜索。

例如用户搜索：

text 复制代码

变压器温度太高怎么办？

知识库中可能没有完全相同的文字，但存在：

text 复制代码

变压器过热故障的检查与处理方法

通过 Embedding 和向量相似度计算，仍然可以找到这段内容。

基本流程：

text 复制代码

用户问题
   ↓
Embedding
   ↓
问题向量
   ↓
相似度计算
   ↓
Vector Store
   ↓
返回最相关 Chunk

这也是 RAG 能够实现语义检索的重要原因。

7. RAG 中的 Prompt

RAG 并不是把检索结果直接返回给用户。

一般会把检索到的内容放入 Prompt：

text 复制代码

你是一名专业的设备运维助手。

请严格根据以下资料回答用户问题。

参考资料：
{context}

用户问题：
{question}

如果资料中不存在答案，请明确说明无法从知识库中找到相关信息。

然后：

text 复制代码

Retriever
    ↓
context
    ↓
Prompt
    ↓
LLM
    ↓
最终答案

因此，一个 RAG 系统的回答质量不仅取决于模型，还受到 文档质量、文本切分、Embedding、检索策略和 Prompt 等多个环节影响。

8. Tool Calling

Tool 可以让大模型调用外部功能。

例如给模型提供：

text 复制代码

get_device_status
get_weather
search_database
query_alarm
search_knowledge

当用户询问：

text 复制代码

帮我查询 A001 设备现在是否正常。

模型可以判断：

text 复制代码

需要实时设备数据
      ↓
调用 get_device_status
      ↓
获得设备状态
      ↓
LLM 分析
      ↓
返回用户

这样，大模型就不再只是"聊天"，而是可以和真实业务系统进行交互。

9. Agent 的基本工作方式

Agent 可以理解为让 LLM 根据当前任务决定下一步应该执行什么。

例如：

text 复制代码

用户提出任务
     ↓
Agent 分析
     ↓
选择 Tool
     ↓
执行 Tool
     ↓
获取结果
     ↓
继续分析
     ↓
是否还需要调用 Tool？
   ↙              ↘
需要              不需要
 ↓                  ↓
继续执行           最终回答

相比固定 Chain，Agent 更适合步骤无法提前完全确定的复杂任务。

10. LangChain 与 LangGraph

LangChain 主要提供：

text 复制代码

Model
Prompt
Retriever
Vector Store
Tool
RAG

而复杂 Agent 应用还会涉及：

text 复制代码

状态管理
条件判断
循环执行
多个 Agent 协作
人工审核
复杂工作流

这类需求可以进一步使用 LangGraph。

可以简单理解为：

text 复制代码

LangChain
    ↓
提供 AI 应用基础组件

LangGraph
    ↓
组织复杂 Agent 工作流

对于初学者，推荐学习顺序：

text 复制代码

LangChain 基础
      ↓
LCEL
      ↓
RAG
      ↓
Tool Calling
      ↓
Agent
      ↓
LangGraph