摘要：
本文从 RAG 与 GraphRAG 的演进出发，分析传统检索增强生成在复杂推理场景中的局限，并引出 LangChain 作为大模型应用工程化框架的核心价值。文章系统梳理了 LangChain 的整体架构，包括 Model I/O、数据连接、链、记忆、代理与工具、中间件等关键模块，并结合典型调用方式与设计思路，帮助开发者建立从“模型能力”到“应用落地”的完整认知路径。适合希望构建 AI 应用（如智能招聘、电商助手等）的学习者与开发者参考。

引言：从 RAG 到 GraphRAG

上一篇我们总结了 RAG 分块策略，解决了大模型的时效性与检索问题。

但在复杂场景中，传统 RAG 仍有局限：

• 难以处理多跳推理
• 无法建模实体关系
• 本质仍是“相似度匹配”

👉 因此引出了 GraphRAG：

RAG + 知识图谱 = 关系推理能力

它通过构建“实体-关系网络”，实现从文本检索 → 结构理解 → 多跳推理的提升。

---

💡 那么问题来了：

有了这些能力，如何真正构建一个可落地的 AI 系统？

👉 这正是 LangChain 要解决的问题

---

接下来：LangChain 架构解析

---

一、什么是 LangChain？

LangChain 是一个用于构建基于大语言模型（LLM）的应用开发框架。

👉 它的核心价值在于：

• 简化 LLM 应用开发流程

• 提供模块化组件（可组合）

• 支持复杂 AI 应用（Agent / RAG / 多轮对话）

一句话总结：

LangChain = “让你像搭积木一样开发 AI 应用”

---

二、LangChain 整体架构

LangChain 的能力可以拆解为 6 大核心模块：

1. Model I/O（模型输入输出）

2. Data Connection（数据连接）

3. Chains（链）

4. Memory（记忆）

5. Agents & Tools（代理与工具）

6. Middleware（中间件）

下面逐个拆解 👇

---

三、Model I/O（模型输入输出）

这是 LangChain 的最基础模块，负责：

👉 如何和大模型交互

主要包含三部分：

• Prompt（提示词）

• Model（模型）

• Output Parser（输出解析）

---

1. 模型类型

① LLM（文本补全模型）

• 输入：字符串

• 输出：字符串

• 特点：一问一答

---

② Chat Model（聊天模型）

• 支持多轮对话

• 结构化输入（system / user / assistant）

• 更接近真实对话场景

---

③ Embedding（嵌入模型）

• 将文本转换为向量

• 用于语义搜索 / 相似度计算

---

四、Data Connection（数据连接）

这是实现 RAG（检索增强生成） 的核心模块。

---

1. 核心流程

---

2. 关键组件

① Document Loader（文档加载）

支持：

• PDF / Word / TXT

• 数据库

• 网页

👉 作用：统一数据格式

---

② Text Splitter（文本切分）

解决：

• 上下文长度限制

• 检索精度问题

关键参数：

• chunk_size

• chunk_overlap

---

③ Embedding（向量化）

👉 本质：

把“文字”变成“向量”，让机器理解语义

---

④ Vector Store（向量数据库）

常见方案：

• FAISS

• Chroma

• Milvus

👉 作用：存储向量 + 快速检索

---

⑤ Retriever（检索器）

流程：

1. 用户问题 → 向量化

2. 在向量库中查找相似内容

3. 返回相关文本

---

⑥ RAG（检索增强生成）

最终效果：

LLM + 私有数据 = 更准确的回答

---

五、Chains（链）

LangChain 的核心思想：

用“链”把多个组件串起来

---

1. LCEL（LangChain 表达式）

最常见写法：

chain = prompt | model | parser

---

2. 三种常用调用方式

✅ 1. invoke（单次调用）

print(chain.invoke({"topic": "人工智能"}))

---

✅ 2. stream（流式输出）

for chunk in chain.stream({"topic": "人工智能"}):
    print(chunk, end="")

---

✅ 3. batch（批量调用）

results = chain.batch(inputs)

👉 适合高并发任务（性能提升明显）

---

3. 高级链

✔ RunnableSequence（顺序执行）

✔ RunnableParallel（并行执行）

✔ RunnablePassthrough（数据传递）

👉 让链具备“工程能力”

---

六、Memory（记忆）

用于实现：

👉 多轮对话能力

---

1. ChatMessageHistory

功能：

• 存储对话

• 获取历史

• 清空记录

---

2. RunnableWithMessageHistory（推荐）

优势：

• 自动注入历史

• 自动保存上下文

• 支持 session_id（多用户隔离）

👉 非常适合 Web 应用开发

---

七、Agents & Tools（代理与工具）

这是 LangChain 最强大的能力之一

---

1. Agent 本质

让 AI “自己思考 + 自己调用工具 + 自己解决问题”

执行流程：

问题 → 思考 → 选工具 → 调用 → 继续思考 → 输出结果

---

2. Tool（工具）

本质：

👉 给 AI 用的函数

---

示例：

from langchain.tools import tool

@tool
def add(a: int, b: int) -> int:
    return a + b

---

👉 常见工具：

• 搜索引擎

• Python执行器

• 数据库查询

• API调用

---

八、Middleware（中间件）

1. 核心能力

功能	说明
监控	日志 / 调试
修改	改 Prompt / 输出
控制	限流 / 重试
安全	数据脱敏

---

2. 常见中间件

• Retry（重试）

• Fallback（模型降级）

• Guardrails（内容审核）

• Human-in-the-loop（人工干预）

---

👉 本质一句话：

不改代码，也能控制 AI 行为

---

九、总结（重点记住这 5 点）

1. LangChain 是 AI 应用开发框架

2. 核心思想是 模块化 + 链式组合

3. RAG 是当前最重要应用模式

4. Agent 是未来方向（更智能）

5. Middleware 是工程化关键

---

十、学习建议

如果你想用 LangChain 做项目（比如比赛/毕业设计）：

👉 推荐路径：

1️⃣ 先掌握 Chain（基础）
2️⃣ 再做 RAG（核心）
3️⃣ 再上 Agent（进阶）
4️⃣ 最后加 Middleware（工程化）

---

💡 结语

LangChain 本质不是“工具”，而是一种：

👉 构建 AI 应用的思维方式

如果你也在做 AI 项目（比如智能招聘系统 / 电商助手），欢迎一起交流 ，文章有任何错误欢迎评论指出。

---