LangChain · 知识点

LangChain 是编排框架：把 Prompt、模型、检索、工具按固定顺序串成链，或交给 Agent 在循环里自己选工具。

Chain = 写死的流水线（如 prompt | llm）。Agent = 模型决定下一步调哪个工具。

重点 LangChain 由哪些组件组成？

六块，对应「怎么问、谁来答、记得什么、知识从哪来、怎么串、要不要自己选工具」。

1. Models — 聊天 / 补全 / Embedding，例如 GPT-4o。换模型不换整条业务链。
2. Prompts — 模板、管理和序列化。变量填进去再交给模型。
3. Memory — 保存和模型交互的上下文（多轮对话）。没有它每次都是新会话。
4. Indexes — 知识库这条线：加载、转换、切长文、向量化、索引存储和查询。要自建知识库就走这里。
5. Chains — 把上面组件按固定顺序调用，例如检索 → 填 Prompt → 调模型。
6. Agents — 模型自己决定调哪个工具、看结果、再决定下一步，直到结束。

LangChain 整体架构怎么串？

核心不是六块并列，而是 Prompt 填好 → 模型说话 → Chain 往下传。Chain 有三条出路：直接答、挂 Memory 做多轮、挂 Agent 去调工具。

组件	干什么
LLM / ChatModel	LLM 做补全；ChatModel 做对话，能 tool calling
Prompt Template	变量填进模板，变成模型能吃的 prompt
Chain	组件串联，如 prompt | llm，数据依次流过
Memory	存对话历史，多轮
Agent	按问题自己决定调哪些工具
Tools	搜索、计算、查库等，给 Agent 用

Indexes 是知识库那条线，图上没画进核心黄框：检索结果通常先填进 Prompt，再进这条链。

LangChain 的核心优势是什么？

不是模型更聪明，是积木多、拼法统一。换模型、换向量库、挂工具，业务链不用重写。

1. 生态 — 模型、向量库、预置工具都多（官方口径 100+ 模型、50+ 向量库），接得上就少自己包一层。
2. LCEL — | 链式调用，同一条链 invoke / stream / batch / 异步都能用。
3. @tool — 函数名 + docstring + 类型注解，注册工具最省样板。
4. 记忆 — session_id 隔开多用户，并发不会串历史。

场景	说明
工具调用型 Agent	网络诊断、查数、调 API，多工具协作
多轮对话	客服、助手，要记住上下文
复杂流程编排	LCEL 拼多步流水线；有环再上图
快速原型	组件库够用，先搭 POC

LangChain 里常用的 Tools 有哪些？

Agent 不会「自带神通」，能力来自挂上的工具：模型选出名字和参数，运行时去调，把返回值再喂回模型。预置多在 langchain-community，多数要 API Key。常见组合是搜索 + REPL + 一个业务 API；具体名字见下表。

工具	分类	说明
DuckDuckGo Search	联网搜索	免 Key 网页搜索
Bing Search	联网搜索	必应搜索
Google Search	联网搜索	Google 搜索，要 Key
Google Serper API	联网搜索	经 Serper 调 Google，比官方接口省事
SerpAPI	联网搜索	聚合搜索引擎结果
SearxNG Search API	联网搜索	自建/开源元搜索
Metaphor Search	联网搜索	语义搜索（后来的 Exa）
Wikipedia	垂直检索	查百科条目
YouTubeSearchTool	垂直检索	搜视频标题/链接
ArXiv API Tool	垂直检索	搜论文预印本
Google Places	垂直检索	查地点、商户
Requests	调接口	发 HTTP 请求
GraphQL tool	调接口	调 GraphQL API
AWS Lambda API	调接口	触发 Lambda
Zapier	调接口	自然语言驱动 Zapier 自动化
IFTTT WebHooks	调接口	触发 IFTTT 场景
OpenWeatherMap API	业务插头	查天气
Twilio	业务插头	发短信 / 打电话
Apify	业务插头	网页抓取、爬虫 Actor
ChatGPT Plugins	业务插头	接 ChatGPT 插件（老生态）
Shell Tool	本机	执行系统命令
File System Tools	本机	读写本地文件
Python REPL	本机	跑 Python、算数
Wolfram Alpha	计算	精确计算、公式、知识问答
Human as a tool	人在环路	拿不准就问真人
HuggingFace Tools	模型/界面	调 HF 上的模型当工具
Gradio Tools	模型/界面	把 Gradio 应用当工具
SceneXplain	多模态	图片场景描述
自定义 Tool	自研	名字 + 中文说明 + 参数 schema + 函数。没有的就自己包

LangChain 里短期记忆有哪几种？

多轮对话要把「刚才说了什么」塞进下次 Prompt。四种都是这一次会话里怎么带历史，不是跨用户的长期记忆。有的材料写成 ConversionMemory，类名其实是 ConversationSummaryMemory。

类名	怎么记	塞进 LLM 的是什么	适合 / 坑
BufferMemory	全量缓冲	从开头到现在的全部对话原文	短聊最准；轮次一长必爆窗口
BufferWindowMemory	滑动窗口	最近 K 组问答	只关心刚才几轮；K 之外的事实会忘
ConversationSummaryMemory	摘要	用模型把历史压成摘要再传入	长对话省 token；摘要会丢细节、多一次 LLM
VectorStore-backed Memory	向量召回	历史写入向量库，按当前问题检索最像的 K 段	只想起相关的旧话；不相关的近况可能捞不着

内存和上下文是什么关系？

Memory 不是模型外面另有一个大脑，而是把历史写进这次 Prompt 的上下文。Agent / Chain 先从 Memory 取出对话，填进模板变量，再交给 LLM。没有这一步，每轮都是新会话。

全量历史用 ConversationBufferMemory（表里的 BufferMemory）：

memory = ConversationBufferMemory(memory_key="chat_history")

memory_key 必须和 Prompt 里的占位符同名。模板写 {chat_history}，这里就要 chat_history，对不上就等于没带上轮。

1. 存 — 每轮 user / assistant 追加进 buffer。
2. 取 — 下次调用把整段 chat_history 拼进 Prompt。
3. 坑 — 轮次一长，上下文被历史占满，新问题反而被挤掉；这时改窗口或摘要，不是再把 key 改个名。

LangChain 0.3 到 1.x 有什么变化？

三条线：包拆开、官方子项目、写法改成 LCEL。0.3 并不是「没有链了」——组件还在，依赖和 API 变了。

1. 包结构拆开

   • langchain-core：抽象基类 + LCEL。第三方集成不要再依赖整包 langchain。
   • langchain-community：社区维护的 loader、retriever、tool。
   • 厂商包独立：langchain-openai、langchain-anthropic，体积小、升级互不影响。

2. 官方子项目

   • LangGraph：用图编排多步、多角色、有状态的工作流，替代多重 Chain 嵌套。
   • LangServe：链 / Agent 一键变成 REST（/invoke、/stream、/batch + Swagger）。
   • LangSmith：调试、回归、在线监控，和回调打通。

3. API 转向 LCEL — 用 | 把组件拼成 Runnable，例如 prompt | llm，不再靠继承 Chain 基类。

重点 怎么用 LCEL 构建任务链？

LCEL = LangChain Expression Language。1.x 用 | 把 Prompt、Model、Memory、Retriever 等 Runnable 拼成管道：左边的输出自动当右边的输入。

数据流：用户输入 → PromptTemplate → ChatModel → OutputParser → 结构化输出。

from langchain_core.prompts import PromptTemplate
from langchain_community.llms import Tongyi

llm = Tongyi(model_name="qwen-turbo", dashscope_api_key=api_key)
prompt = PromptTemplate(
    input_variables=["product"],
    template="What is a good name for a company that makes {product}?",
)

chain = prompt | llm
result = chain.invoke({"product": "colorful socks"})
chain.stream({"product": "colorful socks"})   # 边生成边吐

invoke 的 dict key 必须和 input_variables 同名。要解析再 | parser。

1. 串联 — A | B | C：A 的输出进 B，B 的进 C。最常见是 prompt | llm | parser。
2. 分支 / 并行 — 写成字典 {"x": A, "y": B}，A 和 B 同时跑，总耗时约等于慢的那路，不是相加。
3. 统一接口 — 整条链都是 Runnable：invoke 一次、stream 流式、batch 批量，不用为流式再改内部。

好处：少嵌套胶水、子链能拆出来复用和调试。有循环、要持久化状态，再用 LangGraph，不要用 | 硬套。

---

1. 问答链解决什么

RAG 后半段：召回 → 组装上下文 → 生成。问答链只做后两步，不管怎么切、怎么检索。

问题可以想成：检索回来 5 段文档，接下来怎么问模型。

和检索里的 rerank 不是一回事：检索 rerank 是「哪几段更相关」；map_rerank 是「每段都让 LLM 答一遍，再挑最有把握的答案」。

---

2. 四种策略

2.1 stuff（塞进去）

把全部 chunk 拼进同一次 prompt，调 1 次 LLM。

chunk1 + chunk2 + … + chunkN  →  Prompt Context  →  LLM  →  Result

• 适合：chunk 少、总长度进得了窗口。
• 代价最低、上下文最完整（模型一眼看见全部证据）。
• 装不下就只能截断，后面的 chunk 等于没召回。

能 stuff 就 stuff。 长窗口模型上，线上 RAG 绝大多数是这个：召回少量片段拼进 prompt，一次生成。

2.2 map_reduce（先各自答，再汇总）

每段单独问一次 LLM（Map，可并行），得到 N 个局部答案，再喂给最后一次 LLM 做 Reduce。

chunk1 → LLM ─┐
chunk2 → LLM ─┼→ Reduce LLM → Result
chunkN → LLM ─┘

• 适合：证据特别多，一次塞不下。
• Map 阶段各 chunk 互相看不见。答案散在第 2 段和第 4 段时，两边都可能说「我这页没有」。

2.3 refine（滚雪球改写）

先用 chunk1 出一版答案；把这版答案 + chunk2 再送进 LLM 改一版；一直改到 chunkN。

chunk1 → LLM → 答案1
答案1 + chunk2 → LLM（refine）→ 答案2
…
答案(n-1) + chunkN → LLM → Result

• 能部分保留上下文，单次 token 可控在窗口内。
• 必须串行，慢；先看到的 chunk 会主导口径，后面的容易改不动（顺序敏感）。

2.4 map_rerank（各自打分，只留最高）

每段独立问 LLM，同时给答案和 score；只取分数最高的那一条。

chunk1 → LLM → 答案1 + score1 ─┐
chunk2 → LLM → 答案2 + score2 ─┼→ 选 score 最高 → Result
chunkN → LLM → 答案N + scoreN ─┘

• 适合：答案几乎一定落在某一段里（单点事实），不是要综合多段。
• 调用次数 = chunk 数，贵；chunk 之间独立，不能跨段拼答案。

---

3. 怎么选

策略	调 LLM 几次	chunk 之间看不看得见	一句话
stuff	1	全看见	能装下就用
map_reduce	N + 1	Map 时看不见	太多了先各自总结再合并
refine	N（串行）	能看见「到目前为止的答案」	带着旧答案逐段改
map_rerank	N	看不见	每段打分，只信最高分那一段

窗口够、只送 Top5 时用 stuff；map_reduce / refine 是窗口不够时的退路，不是默认最优。

RAG 总链路、切片与召回看 RAG 知识点。

---

4. 和相邻框架怎么选

差在定位，不在谁更「智能」。循环、停止、权限看 Agent 知识点。

维度	LangChain	LangGraph	LlamaIndex	Qwen-Agent	AutoGen
核心定位	编排与链	有状态的图	RAG / Index	轻量工具调用	多 Agent 协作
有环 / 状态	要靠 Graph	原生	需自建	基础	GroupChat
RAG	集成 VectorStore	当节点用	Index 优先	基础读文件	需自建
典型	线性 RAG、工具链	重试、人审、多 Agent	检索与数据接口	千问 / MCP	角色对聊

线性链用 LangChain；有环、要状态用 LangGraph；检索深度用 LlamaIndex；绑千问 / MCP 可用 Qwen-Agent；多角色对聊用 AutoGen。Coze / Dify 是平台不是框架，见 平台与业务。

口述题见 开发框架面试题。

---

相关代码示例

• LangChain Agent（Node）
• LangChain Agent（Python）