一.LangChain 是什么
LangChain 通过组合模块和能力抽象来扩展大型语言模型（LLM）的应用
开发者文档：https://python.langchain.com/docs/integrations/llms/
代码实现：https://github.com/langchain-ai/langchain/tree/master/libs/langchain/langchain/llms
二.为什么需要LangChain统一了对接LLM的抽象，便于行业沟通协作
LangChain 预实现了一些模块，例如帮助开发者更方便的管理 memory 和 提示词模板
三.Model I/O
大模型的输入：通常是提示模板（prompt）
大模型的输出：是模型对输入提示词的处理结果。 大语言模型的输出通常不稳定，langchain的output可以将不同大模型的结果规范化处理
BaseLanguageModel 是与大预言模型进行交互的抽象
主要提供三种方法：
虽然是顶级的抽象，但是三个方法也是存在直接或者间接的调用关系的
Demo2：格式化输出
这里需要注意一个点，格式化输出是将模型返回的非结构数据转换成结构化的数据，这中间是存在失败的可能性的
Chain 是 LangChain 中所有链式组件的抽象基类，它定义了结构化调用序列的统一接口。
核心特性链式组合：通过串联模型、检索器等组件构建复杂流程
状态管理：通过 memory 属性实现有状态调用
可观测性：通过 callbacks 支持日志记录等扩展功能
灵活调用：提供多种执行方式（call/run/invoke）
关键属性 属性说明默认值LLMChain 是 LangChain 中最基础的链式组件，由两大核心部分构成：
PromptTemplate - 定义输入变量的模板结构
语言模型 - 实际执行推理的 LLM 或 ChatModel
特点：
单输入单输出流水线
前一个链的输出自动作为下一个链的输入
适合线性处理流程
典型结构：
[链A] -> [链B] -> [链C]Demo1
from langchain.chains import SimpleSequentialChain# 假设已定义3个LLMChain：summary_chain, translate_chain, style_chain pipeline = SimpleSequentialChain(chains=[summary_chain, translate_chain, style_chain],verbose=True )# 执行整个流水线 result = pipeline.run("原始文本内容") SequentialChain（通用顺序链）特点：
支持多输入多输出
需要显式指定输入/输出变量名
适合复杂分支流程
关键参数：
input_variables: 整个流水线的初始输入变量
output_variables: 最终需要输出的变量
chains: 包含的链列表
Demo1：
from langchain.chains import LLMChain, SequentialChain from langchain.prompts import PromptTemplate from langchain.llms import OpenAI# 初始化模型（使用实际API key替换） llm = OpenAI(temperature=0.7, openai_api_key="your-api-key")# ========== 第一步：关键词提取 ========== keyword_prompt = PromptTemplate(input_variables=["document"],template="请从以下文本中提取3-5个最重要的关键词:\n{document}" ) keyword_chain = LLMChain(llm=llm,prompt=keyword_prompt,output_key="keywords", # 指定输出键名verbose=True )# ========== 第二步：问题生成 ========== question_prompt = PromptTemplate(input_variables=["keywords"],template="根据这些关键词生成3个相关问题: {keywords}" ) question_chain = LLMChain(llm=llm,prompt=question_prompt,output_key="generated_questions",verbose=True )# ========== 第三步：回答问题 ========== answer_prompt = PromptTemplate(input_variables=["document", "generated_questions"],template="基于以下文本回答问题:\n文本内容:{document}\n\n问题:{generated_questions}" ) answer_chain = LLMChain(llm=llm,prompt=answer_prompt,output_key="final_answer",verbose=True )# ========== 构建顺序链 ========== overall_chain = SequentialChain(chains=[keyword_chain, question_chain, answer_chain],input_variables=["document"], # 初始输入output_variables=["keywords", "generated_questions", "final_answer"], # 最终输出verbose=True )# ========== 执行链 ========== input_text = """ 人工智能是模拟人类智能的计算机系统。这些系统能够学习、推理、解决问题、理解自然语言和感知环境。 当前AI技术包括机器学习、深度学习和自然语言处理等。AI应用涵盖医疗诊断、自动驾驶和智能客服等领域。 """result = overall_chain({"document": input_text})# ========== 打印结果 ========== print("\n====== 原始输入 ======") print(input_text)print("\n====== 提取的关键词 ======") print(result["keywords"])print("\n====== 生成的问题 ======") print(result["generated_questions"])print("\n====== 最终答案 ======") print(result["final_answer"]) 五.Memory记忆系统是构建对话式AI应用的核心组件，它使模型能够保持上下文信息，实现连贯的多轮对话。
BaseMemory关键方法解析
@property @abstractmethod def memory_variables(self) -> List[str]:"""定义记忆系统提供的变量名列表"""声明记忆系统将向链注入哪些变量
@abstractmethod def load_memory_variables(self, inputs: Dict[str, Any]) -> Dict[str, Any]:"""根据当前输入加载记忆内容"""执行时机：在链处理用户输入前调用
参数：
- inputs：链接收的原始输入字典
返回值：要合并到链输入中的额外变量
执行时机：在链产生输出后调用
参数：
- inputs：链接收的原始输入
outputs：链产生的输出
1.读取阶段(READ)
在链执行核心逻辑前
从记忆系统加载历史信息
自动扩充用户当前输入
2.写入阶段(WRITE)
在链执行核心逻辑后
将当前交互的输入/输出保存到记忆系统
供后续对话使用
几种不同的Memory ConversationBufferMemory保存原始对话历史简单对话场景ConversationBufferMemory（保存完整历史）
场景：简单的多轮对话机器人
ConversationBufferWindowMemory（只保留最近N轮）
场景：限制上下文长度的客服系统
** ConversationSummaryMemory（摘要式记忆）**
场景：长时间对话的摘要保存
EntityMemory（实体记忆）
场景：需要记住特定信息的对话
Data Connection 的五大步骤：
加载数据（Load）
转换数据（Transform）
向量化（Embed）
存储（Store）
检索（Retrieve）
1. 加载数据：Document Loaders
数据来源广泛，比如 GitHub 仓库、YouTube 视频、微博、Twitter、Office 文档（PPT、Word、Excel）等。
LangChain 提供了丰富的 Document Loaders，支持的格式包括：
文件格式：CSV、HTML、JSON、Markdown、PDF、本地目录等；
数据源平台：Arxiv、Bilibili、GitHub、Reddit、TensorFlow Datasets 等。
加载器基类是 BaseLoader，其核心方法是：
def load(self) -> List[Document]:每个加载器会返回一个 Document 对象的列表。
2. 转换数据：Document Transformers
在加载原始数据后，往往需要进一步切分或处理，比如：
将一整本问答手册拆分为一个个问答对；
将 HTML 页面解析为纯文本；
对文档进行清洗、格式统一；
对本文根据语意进行拆分
等等
这部分由 Document Transformers 完成，支持包括分段、清洗、结构化处理等操作，是后续向量化前的关键步骤。
3. 向量化：Embedding Models
完成数据切分后，下一步就是将文本转换为向量，即embedding。
这些模型将文本转为固定维度的向量，作为后续存储与检索的基础。
4. 存储与检索：Vector Stores & Retriever
Embedding： 生成的向量会被存储到向量数据库中，
Retriever ：模块负责根据查询向量查找最相似的 Document，用于 RAG（Retrieval-Augmented Generation）任务。
一个形象的比喻是：向量数据库就像是 AI 模型的“外接硬盘”，它能补充训练语料无法实时更新的缺陷，增强模型对实时和私域知识的获取能力。
Embedding 与 Vector Store 是一对组合
嵌入模型和向量数据库密切耦合，它们必须“对口”：
向量数据库只是一个容器，不关心向量内容；
嵌入模型负责将原始文本变成向量；
如果两者使用的向量空间不一致（如维度不同、模型不同），就会导致无法匹配和检索。
因此，Embedding Model 和 Vector Store 必须成对使用，保持一致的向量编码方式，才能在后续的检索中实现语义对齐。
通俗来讲，Agent 就像一个“具备感知、思考和行动能力”的智能个体。它通过环境输入感知信息，结合内在的记忆和推理机制，做出响应决策，并作用于环境，形成闭环。
Agent 的工作流程
[用户输入] → [Agent 感知输入] → [计划/推理/记忆] →
[工具调用或响应输出] → [更新记忆] → [继续任务 or 结束]
Demo
# ------------------------------- # 定义函数 from datetime import datetime def get_current_time():return datetime.now().strftime("%Y-%m-%d %H:%M:%S") # ------------------------------- # 根据函数构建工具 from langchain.tools import Tooltime_tool = Tool(name="GetCurrentTime",func=lambda x: get_current_time(),description="用来获取当前时间，不需要输入内容" ) # -------------------------------from langchain.agents import initialize_agent, AgentType from langchain.chat_models import ChatOpenAIllm = ChatOpenAI(temperature=0)agent = initialize_agent(tools=[time_tool],llm=llm,agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,verbose=True, )response = agent.run("现在几点了？") print(response) Agent 和function calling的区别其实从代码实现上来看，Agent 与 function calling 有比较大的相似性，但是实际上二者的本质有所不同
对比：
维度Function CallingAgent
