前言

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。

---

一、LangChain 核心概述

1.1 什么是 LangChain？

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。

1.2 LangChain 能解决什么问题？

• 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

1.3 核心架构

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。

---

二、6 大核心模块

---

模块 1：Model IO 模型输入输出

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。

---

模块 2：Chains 链式调用

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。

---

模块 3：Memory 记忆模块

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

记忆类型	特点	适用场景
ConversationBufferMemory	全量保存对话	短对话
ConversationBufferWindowMemory	保留最近 k 轮	普通长对话
ConversationTokenBufferMemory	按 Token 限制	严格控 Token
ConversationSummaryBufferMemory	最新原文 + 旧数据摘要	生产环境首选

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。

---

模块 4：Tools 工具模块

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。

---

模块 5：LangChain Agents 智能体详解

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

AI 等级	名称	特点	代表产品
L1	Tool	人类完成全部工作，AI 仅作为工具	计算器、普通软件
L2	Chatbot	人类主导，AI 仅提供信息 / 回答	基础版 ChatGPT
L3	Copilot	人机协作，AI 辅助完成	GitHub Copilot、Midjourney
L4	Agent	AI 主导，人类仅监督	AutoGPT、LangChain Agent
L5	Species	完全自主，无需人类干预	未来通用人工智能 AGI

5.3 Agent 与 Chain 核心区别

表格

特性	Chain	Agent
执行流程	固定、硬编码、线性执行	动态、自主决策、多步推理
决策能力	无，按顺序执行	有推理、反思、规划能力
任务类型	简单、固定、确定流程	复杂、多变、开放问题
依赖外部	不需要自主选工具	自主选择并调用工具
灵活性	低	高

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

特性	ReAct	Tool Calling
输出格式	自然文本	结构化 JSON
执行速度	较慢	快
模型支持	全部模型	支持工具调用的模型
稳定性	一般，需解析	高，不易乱
可解释性	高，能看完整思考	低，仅保留调用记录

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

---

模块六：Retrieval 检索增强 RAG（最详细完整版）

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=["\n\n", "\n", "。", "！", "？", ""]
)
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"])

---

三、企业级模块选型速查表

业务场景	核心模块组合	推荐组件
单轮问答	Model IO + Chains	LLMChain
多轮对话	Model IO + Chains + Memory	ConversationSummaryBufferMemory
私有知识问答	Model IO + Chains + Retrieval	RAG 全流程
联网 / 工具调用	Model IO + Tools + Agents	ReAct 模式 Agent
自主决策任务	Model IO + Tools + Agents + Memory	带记忆的 Conversational Agent