大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



大模型（LLM）虽强大，但存在无记忆、无外部能力、易幻觉三大缺陷，无法直接落地企业级应用。LangChain 是大模型应用开发的标准框架，通过模块化设计补齐 LLM 短板，让开发者快速搭建聊天机器人、私有知识库、自主智能体等 AI 应用。

相比于LangChain的使用，我认为更重要的是理解Agent和RAG的工作机制，LangChain的各个模块间分别起到了什么作用。

---

LangChain 是基于大语言模型构建 AI 应用的开发框架，核心价值是模块化、流程化、标准化大模型应用开发，屏蔽底层差异，让开发者专注业务逻辑。

• 统一对接各类大模型（GPT、通义千问、文心一言等）
• 给 AI 添加上下文记忆，实现多轮对话
• 接入外部工具（搜索、计算、数据库）
• 搭建私有知识库，解决大模型幻觉
• 实现自主决策智能体，完成复杂任务

LangChain 采用模块化设计，6 大核心组件可自由组合，适配不同业务场景。

---

---

1.1 核心作用

LangChain 与大模型的交互入口，负责提示词管理、模型调用、输出解析，统一屏蔽不同 LLM 的 API 差异。

1.2 核心组件

• PromptTemplate：提示词模板，动态传参，标准化指令
• ChatModels：对接各类对话大模型
• OutputParser：输出解析器，将自由文本转为 JSON / 列表等结构化数据

1.3 实战代码

 from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate from langchain_core.output_parsers import StrOutputParser import os # 配置大模型 os.environ["OPENAI_API_KEY"] = "你的API_KEY" llm = ChatOpenAI(model="gpt-4o-mini", temperature=0) # 1. 定义提示词模板 prompt = ChatPromptTemplate.from_messages([ ("system", "你是专业的Java后端开发助手，回答简洁专业"), ("user", "{question}") ]) # 2. 定义输出解析器 parser = StrOutputParser() # 3. 组装链路：提示词 → 模型 → 解析器 chain = prompt | llm | parser # 调用 result = chain.invoke({"question": "Java后端有哪些常用锁？"}) print(result) 

1.4 适用场景

所有 LangChain 应用的基础入口，所有模块都依赖 Model IO 对接大模型。

---

2.1 核心作用

将 Prompt + LLM + 组件 串成固定流程流水线，是 LangChain 最基础的执行单元，适合硬编码、固定顺序的任务。

2.2 核心特点

• 流程固定，执行稳定
• 开发简单，开箱即用
• 与 Agent 的区别：Chain 无自主决策，Agent 可动态规划

2.3 常用 Chain 类型

• LLMChain：基础单步调用
• ConversationChain：带记忆的对话链
• SimpleSequentialChain：多步骤顺序执行

2.4 实战代码（顺序链）

 from langchain.chains import LLMChain, SimpleSequentialChain # 步骤1：总结技术文章 prompt1 = ChatPromptTemplate.from_template("总结这段技术文章：{text}") chain1 = LLMChain(llm=llm, prompt=prompt1) # 步骤2：将总结转为面试题 prompt2 = ChatPromptTemplate.from_template("根据这段总结生成1道面试题：{summary}") chain2 = LLMChain(llm=llm, prompt=prompt2) # 组装顺序链（自动传递上一步结果） total_chain = SimpleSequentialChain( chains=[chain1, chain2], verbose=True # 打印执行流程 ) # 执行 total_chain.invoke("Redis分布式锁的实现原理是SETNX+过期时间，Redisson实现可重入和锁续约") 

2.5 适用场景

固定步骤的简单任务：文本总结、翻译、格式转换、单轮问答。

---

3.1 核心作用

大模型本身无记忆，Memory 负责存储对话历史，将历史拼入 Prompt，实现多轮上下文对话。

3.2 核心工作流程

读历史 → 拼 Prompt → 写新历史

3.3 常用记忆类型（企业级选型）

表格

3.4 实战代码（生产级摘要记忆）

 from langchain.memory import ConversationSummaryBufferMemory from langchain.chains import ConversationChain # 初始化摘要记忆（最大Token限制） memory = ConversationSummaryBufferMemory( llm=llm, max_token_limit=1000 # 超过则自动生成摘要 ) # 创建带记忆的对话链 conversation = ConversationChain( llm=llm, memory=memory, verbose=True ) # 多轮对话测试 conversation.invoke("我是Java后端开发，正在学LangChain") conversation.invoke("我适合做什么AI应用？") # 能记住上一轮信息 

3.5 适用场景

所有多轮对话应用：智能客服、聊天助手、交互式 AI 工具。

---

4.1 核心作用

给大模型扩展外部能力，打破 LLM 知识边界，让 AI 能联网、计算、查数据库、调用业务接口。

4.2 核心分类

• 内置工具：搜索（Tavily）、计算器（PythonREPL）、代码执行
• 自定义工具：封装业务接口、数据库操作、内部系统

4.3 实战代码（自定义业务工具）

 from langchain.tools import Tool # 自定义工具：Java后端技术推荐 def java_tech_recommend(level: str) -> str: """根据开发水平推荐Java后端技术栈""" if level == "初级": return "SpringBoot、MyBatis、MySQL、Redis基础" elif level == "中级": return "SpringCloud、Redis分布式、MQ、分库分表" elif level == "高级": return "微服务架构、ServiceMesh、云原生、可观测性" else: return "请输入正确的开发级别" # 创建工具对象 java_tool = Tool( name="JavaTechRecommend", func=java_tech_recommend, description="用于根据Java开发级别推荐技术栈，参数为初级/中级/高级" ) # 工具列表 tools = [java_tool] 

4.4 适用场景

需要外部能力的 AI 应用：联网问答、数据计算、业务系统对接。

---

5.1 核心概念与定位

Agent（智能体）是 LangChain 的高阶核心模块，是以大语言模型 LLM 作为决策大脑，能够自主理解任务、拆解目标、选择工具、规划执行步骤、自主推进并完成复杂任务的系统。

与固定流程的 Chain 不同，Agent 没有写死的执行步骤，而是像人一样思考、决策、行动，处理开放、复杂、无固定规则的任务。

5.2 AI 能力等级类比（自动驾驶分级）

表格

5.3 Agent 与 Chain 核心区别

表格

5.4 Agent 核心组成（六要素）

• LLM 大脑：推理、决策、规划、判断
• Memory 记忆：短期上下文记忆 + 长期向量记忆
• Tools 工具：搜索、计算、代码、数据库、API
• Planning 规划：拆解任务、反思纠错、多步推进
• Action 执行：调用工具、获取结果、处理信息
• Collaboration 协作：多智能体协同完成复杂任务

5.5 Agent 两大核心工作模式

5.5.1 ReAct 模式（最通用）

全称：Reasoning + Acting原理：先思考推理，再行动调用工具，用自然语言描述思考过程。

• 优点：通用性强、所有模型都支持、可解释性好
• 缺点：速度稍慢、依赖格式解析

典型类型：

• ZERO_SHOT_REACT_DESCRIPTION（零样本推理）
• CONVERSATIONAL_REACT_DESCRIPTION（对话记忆版）
• STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION

5.5.2 Tool Calling 模式（高效）

原理：LLM 直接输出结构化 JSON，指定调用哪个工具、传什么参数。

• 优点：速度快、格式稳定、不易出错
• 缺点：需要模型原生支持工具调用能力

典型类型：

• OPENAI_TOOLS
• OPENAI_MULTI_TOOLS

表格

5.6 Agent 关键组件详解

5.6.1 Tool（工具）

工具是 Agent 与外部世界交互的接口：

• 联网搜索：TavilySearch、DuckDuckGo
• 数学计算：Calculator、PythonREPL
• 代码执行：Python、Shell
• 自定义能力：API、数据库、文件操作、企业内部系统接口

必备三要素：

• name：工具名称
• func：具体执行函数
• description：功能描述（Agent 依靠描述自主选择工具）

5.6.2 Memory（记忆）

• ConversationBufferMemory（原始完整记忆）
• ConversationSummaryMemory（摘要压缩记忆）
• ConversationBufferWindowMemory（滑动窗口记忆）
• VectorStoreRetrieverMemory（长期向量持久记忆）

5.6.3 AgentExecutor（执行器）

• 运行 Agent 实例
• 调度工具流转
• 维护思考 - 行动 - 观察循环
• 错误捕获、格式容错
• 控制最大迭代次数，防止死循环

5.7 Agent 创建方式

5.7.1 传统快速方式（initialize_agent）

 agent_executor = initialize_agent( tools=tools, llm=llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True, memory=memory, handle_parsing_errors=True ) 

5.7.2 通用灵活方式

 prompt = hub.pull("hwchase17/react")//直接拉取提示词 agent = create_react_agent(llm, tools, prompt) agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) 

5.8 执行完整流程

1. Thought：自主判断需要做什么、是否调用工具
2. Action：选定工具并传入参数
3. Observation：接收工具返回结果
4. 循环多轮 → 信息足够
5. Final Answer：输出最终答案

5.9 关键参数详解

• verbose=True：打印完整思考链，调试必开
• handle_parsing_errors=True：解析失败自动修复，生产必备
• max_iterations=3：限制循环次数，避免死循环
• return_intermediate_steps=True：返回中间思考过程

5.10 带记忆的多轮对话 Agent（完整代码）

 from langchain_openai import ChatOpenAI from langchain.agents import initialize_agent, AgentType from langchain_community.tools.tavily_search import TavilySearchResults from langchain.memory import ConversationBufferMemory import os # 配置密钥 os.environ["TAVILY_API_KEY"] = "你的密钥" os.environ["OPENAI_API_KEY"] = "你的密钥" # 1. 工具 search = TavilySearchResults(max_results=2) tools = [search] # 2. 记忆 memory = ConversationBufferMemory( memory_key="chat_history", return_messages=True ) # 3. 大模型 llm = ChatOpenAI(model="gpt-4o-mini", temperature=0) # 4. 创建Agent agent_executor = initialize_agent( tools=tools, llm=llm, agent=AgentType.CONVERSATIONAL_REACT_DESCRIPTION, memory=memory, verbose=True, handle_parsing_errors=True ) # 5. 多轮对话 agent_executor.invoke("2026年人工智能发展趋势") agent_executor.invoke("有哪些对应的大模型") agent_executor.invoke("这些模型如何用于后端开发") 

5.11 典型应用场景

• 智能问答（联网搜索 + 多步推理）
• 自动化信息收集、总结、分析
• 代码自动编写、调试、运行
• 股票 / 行业数据分析（搜索 + 计算）
• 智能客服、任务机器人、决策助手
• 复杂业务流程自动化

5.12 优势与价值

• 无需硬编码流程，自适应多变任务
• 可独立完成人类才能处理的复杂任务
• 降低开发成本，提升系统智能上限
• 可扩展、可记忆、可反思、可协作

---

6.1、RAG 到底是什么？

RAG = Retrieval-Augmented Generation检索增强生成。

大白话：先去私有知识库检索相关内容 → 把内容塞给大模型 → 让大模型只根据检索到的内容回答。

作用：

• 解决大模型幻觉（胡编乱造）
• 接入私有数据（PDF、Excel、Word、知识库）
• 保证答案真实、可追溯、可更新

---

6.2、RAG 标准六步流程（必背）

1. Source 数据源

支持：PDF、Word、CSV、JSON、TXT、HTML、Markdown、数据库、网页

2. Load 文档加载

用 DocumentLoader 把文件转成 LangChain 统一的 Document 对象。

常见加载器：

• TextLoader：txt
• PyPDFLoader：PDF
• CSVLoader：表格
• JSONLoader：JSON
• UnstructuredXXXLoader：Word/HTML/Markdown

3. Transform 文本切分（最关键）

长文本切成小块（chunk），才能向量化。

常用切分器：

• RecursiveCharacterTextSplitter（最常用、最通用）
• CharacterTextSplitter（按字符切）
• TokenTextSplitter（按 Token 切）
• MarkdownTextSplitter / HTMLHeaderTextSplitter（结构化文档）
• SemanticChunker（语义切分，效果最好）

4. Embed 文本转向量

把文本块变成 向量（embedding）。

常用嵌入模型：

• text-embedding-ada-002（OpenAI）
• text-embedding-3-large
• 开源：BGE、m3e、bge-m3

5. Store 向量存储

把向量存入 向量数据库。

常用向量库：

• FAISS（本地内存，简单）
• Chroma（轻量持久化）
• Milvus、Pinecone、Redis、ES

6. Retrieve 检索召回

用户提问 → 转向量 → 在向量库找最相似的文本块 → 塞给模型回答。

---

6.3、RAG 核心组件超详细讲解

1. DocumentLoader（文档加载器）

作用：把任何文件 → 统一的 Document 对象。

Document 只有两个东西：

• page_content：文本内容
• metadata：来源、页码、行数等

示例（加载 PDF）：

 loader = PyPDFLoader("xxx.pdf") documents = loader.load() 

---

2. Text Splitter（文本切分器）

为什么要切分？

• 模型有 Token 限制
• 太长检索不精准

最常用：RecursiveCharacterTextSplitter

按 段落 → 换行 → 空格 → 字符 递归切分，尽可能保持语义完整。

 text_splitter = RecursiveCharacterTextSplitter( chunk_size=500, # 每块最大长度 chunk_overlap=50, # 重叠字符，避免切断语义 separators=[" ", " ", "。", "！", "？", ""] ) texts = text_splitter.split_documents(documents) 

---

3. Embedding Model（向量模型）

把文本变成高维向量。

相似文本 → 向量距离近。

 embedding = OpenAIEmbeddings(model="text-embedding-3-large") 

---

4. Vector Store（向量数据库）

存储向量 + 快速相似度检索。

FAISS（最简单）

 db = FAISS.from_documents(texts, embedding) 

Chroma（持久化）

 db = Chroma.from_documents( texts, embedding, persist_directory="./chroma_db" ) 

---

5. Retriever（检索器）

从向量库获取相关文本块。

 retriever = db.as_retriever( search_kwargs={"k": 3} # 返回最相似3条 ) 

检索方式

• similarity_search：普通相似度
• similarity_score_threshold：分数阈值过滤
• max_marginal_relevance_search（MMR）：平衡相似度 + 多样性

---

6.4、RAG 完整实战代码

 # 1. 加载文档 loader = PyPDFLoader("mybook.pdf") documents = loader.load() # 2. 切分 splitter = RecursiveCharacterTextSplitter( chunk_size=500, chunk_overlap=50 ) chunks = splitter.split_documents(documents) # 3. 向量模型 embedding = OpenAIEmbeddings() # 4. 存入向量库 db = FAISS.from_documents(chunks, embedding) # 5. 获取检索器 retriever = db.as_retriever(search_kwargs={"k=3"}) # 6. 构建RAG问答链 qa = RetrievalQA.from_chain_type( llm=ChatOpenAI(model="gpt-4o-mini"), chain_type="stuff", retriever=retriever, return_source_documents=True ) # 7. 提问 result = qa.invoke("分布式锁怎么实现？") print(result["result"])

---