基于 LangChain 最新架构（langchain-core + 生态拆分），按基础核心组件、对话记忆、检索 RAG、工具 & Agent、流程编排、辅助生态六大类划分，逐一说明组件作用、常用类、核心 API 与代码示例，兼顾原理与落地用法。

前置说明

1. 包结构：LangChain 已模块化拆分，核心能力在 langchain_core，模型 / 集成在 langchain-* 系列包；
2. 统一范式：绝大多数组件实现 Runnable 协议，支持 invoke()/stream()/batch()、管道符 | 组合；
3. 环境依赖：pip install langchain langchain-openai langchain-community langchain-chroma

---

一、基础核心组件（框架底座）

1. Models 模型层

负责对接各类大模型、嵌入模型，分为 LLM、ChatModel、Embeddings 三大类，是所有应用的基础。

1.1 LLM 纯文本模型

• 功能：输入纯文本、输出纯文本，适配传统文本生成模型。
• 常用类：langchain_openai.OpenAI、各类开源模型封装类
• 核心 API
  • invoke(input: str) -> str：同步调用，返回完整文本
  • stream(input: str)：流式逐段输出
  • batch(inputs: List[str]) -> List[str]：批量调用

示例

python

运行

from langchain_openai import OpenAI

llm = OpenAI(model="gpt-3.5-turbo-instruct", temperature=0)
# 同步调用
res = llm.invoke("简单介绍 LangChain")
print(res)
# 流式调用
for chunk in llm.stream("简单介绍 LangChain"):
    print(chunk, end="")

1.2 ChatModel 对话模型（主流）

• 功能：结构化消息交互（system/user/assistant），适配聊天类大模型，支持多轮对话格式。
• 常用类：langchain_openai.ChatOpenAI
• 核心数据结构：消息对象
  • SystemMessage：系统人设 / 指令
  • HumanMessage：用户消息
  • AIMessage：模型回复
• 核心 API：同 Runnable 标准方法，入参为消息列表

示例

python

运行

from langchain_openai import ChatOpenAI
from langchain_core.messages import SystemMessage, HumanMessage

chat = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
messages = [
    SystemMessage(content="你是技术讲解助手"),
    HumanMessage(content="什么是 ChatModel")
]
res = chat.invoke(messages)
print(res.content)

1.3 Embeddings 嵌入模型

• 功能：将文本转为向量，用于相似度计算、检索、RAG 场景。
• 常用类：OpenAIEmbeddings、DashScopeEmbeddings 等
• 核心 API
  • embed_query(text: str) -> List[float]：单条文本向量化
  • embed_documents(texts: List[str]) -> List[List[float]]：批量文档向量化

示例

python

运行

from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings()
vec = embeddings.embed_query("AI Agent 介绍")
print(len(vec))  # 输出向量维度

---

2. Prompt 提示词模板

统一管理提示词，支持变量渲染、消息模板、少样本示例，解耦提示词与业务代码。

2.1 StringPromptTemplate 文本模板

• 功能：纯文本模板，支持占位符 {var} 动态填充内容。
• 核心 API
  • format(**kwargs) -> str：传入变量，渲染为完整提示词

2.2 ChatPromptTemplate 对话消息模板（最常用）

• 功能：适配 ChatModel，批量构建结构化消息列表。
• 核心 API
  • from_messages()：快速构造模板
  • format_messages(** kwargs)：渲染并返回消息列表

完整示例

python

运行

from langchain_core.prompts import ChatPromptTemplate

# 定义模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是专业客服，根据 {context} 回答用户问题"),
    ("human", "用户问题：{question}")
])

# 渲染变量
input_data = {"context": "LangChain 是大模型开发框架", "question": "LangChain 是什么？"}
prompt_msg = prompt.format_messages(**input_data)
print(prompt_msg)

2.3 FewShotPromptTemplate 少样本模板

• 功能：内置问答示例，引导模型输出格式 / 逻辑，提升稳定性。

---

3. Output Parsers 输出解析器

• 功能：解析模型返回的文本，转为结构化数据（JSON、列表、对象），解决模型输出格式不统一问题。
• 常用组件 & API

3.1 StrOutputParser 字符串解析器

最基础解析器，直接提取文本内容，管道组合标配。

python

运行

from langchain_core.output_parsers import StrOutputParser

parser = StrOutputParser()
# 链式组合：模板 | 模型 | 解析器
chain = prompt | ChatOpenAI() | parser
res = chain.invoke(input_data)

3.2 JsonOutputParser JSON 解析器

强制模型输出 JSON，自动解析为字典。

3.3 PydanticOutputParser 实体解析器

结合 Pydantic 模型，强类型校验输出结构，企业级结构化输出首选。

---

二、Memory 记忆组件（多轮对话核心）

大模型无状态，Memory 组件自动管理对话历史，拼接上下文到提示词中，实现 “记忆” 效果。所有 Memory 统一接口：load_memory_variables() / save_context()

1. ConversationBufferMemory 完整缓存记忆

• 功能：全量保存所有对话轮次，不做压缩。
• 适用：短对话、轮次少场景
• 核心 API
  • save_context(inputs, outputs)：保存一轮问答
  • load_memory_variables({})：读取历史对话

示例

python

运行

from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory()
# 保存对话
memory.save_context({"input": "你好"}, {"output": "你好，有什么可以帮你？"})
# 读取历史
print(memory.load_memory_variables({})["history"])

2. ConversationSummaryMemory 摘要记忆

• 功能：定期调用 LLM 把长对话压缩为摘要，大幅减少 Token 占用。
• 适用：长时多轮对话、上下文窗口较小的模型。

3. ConversationBufferWindowMemory 滑动窗口记忆

• 功能：只保留最近 N 轮对话，丢弃早期内容，防止上下文溢出。
• 构造参数：k 保留轮数。

4. VectorStoreRetrieverMemory 向量库长期记忆

• 功能：对话内容向量化存入向量库，按语义检索历史，突破窗口限制，实现跨会话长期记忆。
• 适用：个人专属助手、历史会话回溯。

---

三、Chain 链组件（流程编排基础）

Chain 是 LangChain 最基础的流程组合单元，将 提示词、模型、解析器、工具串联为完整业务流程。新版优先使用 Runnable 管道 | 替代传统 Chain 类，写法更简洁。

1. LLMChain 基础问答链

• 功能：组合 Prompt + LLM/ChatModel，最基础执行链路。
• 传统写法

python

运行

from langchain.chains import LLMChain

chain = LLMChain(llm=ChatOpenAI(), prompt=prompt)
res = chain.run(question="LangChain 用途")

• 现代管道写法（推荐）

python

运行

chain = prompt | ChatOpenAI() | StrOutputParser()
res = chain.invoke({"question": "LangChain 用途"})

2. RetrievalQA 检索问答链（RAG 核心）

• 功能：结合「检索器 + LLM」，实现私有文档问答，RAG 场景标配。
• 核心参数
  • retriever：检索器（从向量库召回文档）
  • chain_type：文档拼接策略（stuff/map_reduce/refine）

RAG 最简示例

python

运行

from langchain.chains import RetrievalQA
from langchain_chroma import Chroma

# 假设已有向量库与检索器
vector_db = Chroma(embedding_function=embeddings)
retriever = vector_db.as_retriever(search_kwargs={"k": 3})

qa_chain = RetrievalQA.from_chain_type(
    llm=ChatOpenAI(),
    chain_type="stuff",
    retriever=retriever,
    return_source_documents=True  # 返回引用文档
)
res = qa_chain.invoke({"query": "文档中提到了什么？"})

3. ConversationChain 对话链

• 功能：内置 Memory，快速实现带记忆的多轮对话机器人。

4. 其他常用 Chain

• SequentialChain：串行执行多个子链，多步骤流水线任务
• RouterChain：路由链，根据输入分发到不同子链，实现分支逻辑

---

四、Document Loaders & Text Splitters（RAG 数据预处理）

属于 RAG 前置链路，负责加载文档 + 文本切分。

1. Document Loaders 文档加载器

• 功能：读取各类文件 / 数据源，统一转为 Document 对象（page_content 正文 + metadata 元数据）。
• 常用加载器：
  • TextLoader：纯文本文件
  • PyPDFLoader：PDF 文档
  • WebBaseLoader：网页内容
  • CSVLoader：表格文件

示例

python

运行

from langchain_community.document_loaders import PyPDFLoader

loader = PyPDFLoader("test.pdf")
docs = loader.load()  # 加载全部页面

2. Text Splitters 文本分割器

• 功能：将长文档切分为小块，适配模型上下文长度，提升检索精度。
• 常用组件
  1. RecursiveCharacterTextSplitter：递归字符分割（通用首选）
     • 参数：chunk_size 块大小、chunk_overlap 块重叠长度
  2. CharacterTextSplitter：简单字符分割

示例

python

运行

from langchain.text_splitter import RecursiveCharacterTextSplitter

splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
split_docs = splitter.split_documents(docs)

---

五、Vector Stores 向量数据库

• 功能：存储文本向量 + 原始文档，提供相似度检索，RAG 核心存储层。
• 主流封装 & API
  1. Chroma：轻量本地向量库，无需额外部署，测试 / 小型应用首选
  2. FAISS：Facebook 高效向量检索库，速度快
  3. Milvus/Elasticsearch：分布式企业级向量库

核心通用 API

• from_documents(docs, embeddings)：从文档构建向量库
• as_retriever()：转为检索器，对接 RetrievalQA
• similarity_search(query, k)：相似度检索，返回 Top-k 文档

python

运行

from langchain_chroma import Chroma

# 构建向量库
vectordb = Chroma.from_documents(documents=split_docs, embedding=embeddings)
# 相似度查询
search_docs = vectordb.similarity_search("关键词", k=2)

---

六、Tools & Agent 工具与智能体（AI Agent 核心）

实现 模型决策 + 外部工具执行，让大模型从 “问答” 走向 “做事”。

1. Tools 工具组件

• 功能：封装外部能力（搜索、计算器、API、数据库、硬件接口等），统一格式供 Agent 调用。
• 内置常用工具
  • TavilySearchResults：联网搜索
  • Calculator：数学计算
  • PythonREPL：代码执行器
• 自定义工具：使用 @tool 装饰器快速封装自定义函数。

自定义工具示例

python

运行

from langchain.tools import tool

@tool("加法计算器")
def add_tool(a: int, b: int) -> int:
    """计算两个数字相加，入参为两个整数"""
    return a + b

2. Agent 智能体

• 功能：基于 LLM 做决策，自动选择、调用工具，循环执行直到任务完成。
• 主流 Agent 类型
  1. create_openai_tools_agent：适配 OpenAI Function Calling，工业界最稳定
  2. create_react_agent：ReAct 架构 Agent，开源模型通用
• 核心 API
  • AgentExecutor：Agent 执行器，调度整个工具调用闭环
  • .invoke()：接收用户问题，自动完成决策 + 工具调用

Agent 完整示例

python

运行

from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_openai_tools_agent
from langchain_core.prompts import ChatPromptTemplate

llm = ChatOpenAI(model="gpt-3.5-turbo")
tools = [add_tool]  # 加载工具

# 构造提示词
prompt = ChatPromptTemplate.from_messages([
    ("system", "你可以使用工具完成计算任务"),
    ("user", "{input}"),
    ("placeholder", "{agent_scratchpad}")
])

# 创建 Agent + 执行器
agent = create_openai_tools_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 执行任务
res = agent_executor.invoke({"input": "计算 12 + 34"})
print(res["output"])

---

七、高级编排组件

1. LangGraph

• 定位：基于图结构的复杂工作流编排，弥补传统 Chain 无法实现循环、分支、状态持久化的短板。
• 核心能力：状态管理、条件分支、循环执行、多智能体协作，用于复杂长流程 Agent。
• 核心概念：State 状态、Node 节点、Edge 连线、条件路由。

2. Callbacks 回调组件

• 功能：监听全链路执行事件（模型调用、工具调用、链路起止），用于日志、监控、耗时统计、告警。
• 适用场景：生产环境可观测、自定义埋点。

---

八、生态配套组件（运维 / 部署 / 调试）

1. LangSmith
   • 功能：全链路调试、追踪、评估 LLM 应用，查看每一步 Prompt、模型输出、工具调用日志。
2. LangServe
   • 功能：将 Chain/Agent 快速发布为 REST API，支持流式、批量调用，对外提供服务。
3. LangFlow
   • 功能：可视化拖拽界面，零代码 / 低代码搭建流程，适合快速原型、业务人员使用。

---

九、组件整体协作全景（串联前文知识）

以「带记忆 + RAG + 工具 Agent」完整链路总结：

1. DocumentLoader + TextSplitter：加载并切分文档
2. Embeddings + VectorStore：文档向量化入库，构建检索库
3. Prompt + ChatModel + Parser：基础问答链路
4. Memory：接管多轮对话上下文
5. RetrievalQA Chain：实现私有文档问答
6. Tools + Agent：扩展外部工具能力，实现自主任务执行
7. LangGraph：编排复杂分支 / 循环流程
8. LangSmith + LangServe：线上调试与服务部署

---

十、快速选型参考

表格

业务场景	推荐核心组件组合
简单单轮问答	Prompt + ChatModel + StrOutputParser
多轮聊天机器人	ConversationChain + ConversationBufferMemory
私有知识库问答 (RAG)	Loader + Splitter + Embedding + VectorStore + RetrievalQA
工具调用 / 自动化任务	Tools + AgentExecutor
复杂流程 / 多分支 Agent	LangGraph + Agent + State