LangChain 入门教程：四大核心概念

1. Chain：可组合的流水线

Chain 是 LangChain 的核心抽象——将多个步骤串联：

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-3.5-turbo")

# LCEL（LangChain Expression Language）语法
chain = (
    ChatPromptTemplate.from_template("将以下内容翻译为{language}：{text}")
    | llm
    | StrOutputParser()
)

result = chain.invoke({"language": "法语", "text": "你好，世界"})
print(result)  # Bonjour, le monde

| 管道操作符是 LCEL 的核心语法，每个环节的输出自动成为下一个的输入。

2. Agent：LLM 自主决策

Agent 让 LLM 自己决定使用哪些工具、以什么顺序调用：

from langchain.agents import create_react_agent, AgentExecutor
from langchain_community.tools import DuckDuckGoSearchRun, PythonREPLTool

tools = [
    DuckDuckGoSearchRun(),           # 搜索
    PythonREPLTool(),                # 执行 Python 代码
]

agent = create_react_agent(llm, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

executor.invoke({
    "input": "2024年诺贝尔物理学奖得主是谁？把他的年龄算出来（当前年份减去出生年份）"
})

ReAct 模式：Thought → Action → Observation → ... → Final Answer

3. Memory：对话记忆

from langchain.memory import ConversationSummaryMemory

memory = ConversationSummaryMemory(llm=llm, return_messages=True)

# 第一个对话
memory.save_context({"input": "我叫小明"}, {"output": "你好小明！"})
# 第二个
memory.save_context({"input": "我喜欢 Python"}, {"output": "Python 是很好的选择！"})

print(memory.load_memory_variables({}))
# {'history': '用户叫小明，喜欢 Python 编程。'}

记忆类型对比：

类型	原理	适合
BufferMemory	存全部	短对话
BufferWindowMemory	只存最近 K 轮	长对话限流
SummaryMemory	LLM 摘要压缩	长对话保留要点
VectorStoreMemory	向量检索历史	关键信息回溯

4. Tools：扩展 LLM 能力边界

from langchain_core.tools import tool

@tool
def multiply(a: int, b: int) -> int:
    """乘法计算器，输入两个整数返回乘积"""
    return a * b

@tool
def get_current_weather(city: str) -> str:
    """获取城市当前天气"""
    import random
    return f"{city}：晴天，{random.randint(18, 35)}°C"

tools = [multiply, get_current_weather]

工具定义的关键：docstring 是 LLM 理解工具的唯一途径，必须写清楚用途和参数。

5. RAG 架构全景

文档加载器 → TextSplitter → Embedding → VectorStore ←─ 检索
                                            ↓            ↑
                                       用户提问 → Embedding ─┘
                                            ↓
                                       LLM + Context
                                            ↓
                                         回答

6. LangChain vs LlamaIndex vs 原生

框架	适合	不适合
LangChain	Agent、复杂编排、多 LLM	简单调用
LlamaIndex	文档 RAG、数据分析	Agent 场景
原生 SDK	简单问答、原型	多步骤链

思考题

1. Agent 中 "Thought" 步骤的作用是什么？如果去掉会发生什么？
2. RAG 中 chunk_size 设为 100 和 2000 对检索质量有何影响？
3. Memory 在并发多用户场景如何隔离？应该用哪种 memory 策略？