LangChain 学习笔记 001
概览：精读 LangChain 核心概念（Chain、Agent、Tool、Memory），跑通官方 Quick Start。
一、LangChain 是什么
LangChain 是一个专门用于开发 LLM 应用的框架，将各个不同的 LLM 接口进行抽象包装，统一使用一套规则，并提供从模型调用到智能体编排的完整工具链。
⚠️ 注意：LangGraph 是 LangChain 生态的独立扩展库，不是 LangChain 本身的一个层级。下文"编排层"单独列出，不归属于 LangChain 架构内部。
二、LangChain 架构
2.1 核心层
- 抽象接口：对不同 LLM 的接口进行统一封装，屏蔽底层差异
- 消息格式：定义标准消息类型（见下文"消息类型体系"）
- 序列化：统一 I/O 格式
- LCEL（LangChain Expression Language）：组件组合方式，通过管道符
|将各组件串联
# LCEL 示例：管道符背后是 Runnable 接口
chain = prompt | llm | output_parser
每个组件都实现了 invoke / stream / batch 三种调用方式。
2.2 集成层
不仅集成 LLM 模型，还集成：
- 数据库（PostgreSQL、Redis 等）
- 文档加载器（PDF、HTML 等）
- 向量数据库（Pinecone、ChromaDB 等）
- 外部工具（搜索引擎、API 等）
2.3 应用层
大多数开发者在这一层调用已配置好的高级功能：
Chain
预定义的工作流程，如 RetrievalQA、ConversationalRetrievalChain。
检索组件是 LLM 通过 RAG 模式链接外部知识体系的重要组成部分。
Agent
具备推理和工具使用能力的智能体。将语言模型与工具相结合，创建能够推理任务、决定使用哪些工具并迭代地寻找解决方案的系统。
⚠️ 重要说明：在 LangChain 中创建 Agent（如
create_react_agent）相当于 initialize agent，只是配置可用工具和推理方式。若需要完整的执行循环，旧版需配合AgentExecutor包装，现代推荐做法是在 LangGraph 中进行编排（将 agent 作为一个 node，配合条件边和状态机完成完整流程）。
Tool
高级封装工具，扩展外部能力的接口，支持自定义工具。
Memory
对话历史管理和上下文维护，实现有状态的连续交互。
| 类型 | 说明 |
|---|---|
ConversationBufferMemory |
保存完整对话历史（旧版，已软性弃用） |
VectorStoreRetrieverMemory |
通过向量数据库实现长期记忆 |
| LangGraph Checkpointer | 现代推荐方式，如 MemorySaver，实现状态持久化 |
⚠️ 现状说明：LangChain 内置 Memory 模块在新版本中已软性弃用。现代做法：
- 短期记忆：直接将 messages history 注入 prompt
- 长期记忆：使用 LangGraph 的
checkpointer做状态持久化
三、LangGraph 编排层（独立库）
LangGraph 是 LangChain 生态的扩展，用于替代旧版
AgentExecutor，提供更灵活的控制流。
- State Graph：基于状态机的工作流定义
- 持久化状态：支持长时间运行的复杂任务
- 多代理协作：多个 AI 代理协同工作的框架
- 循环和条件：支持 if-else、for、while 等控制流
典型用法：将 LangChain Agent 作为一个 node 嵌入 LangGraph，再添加条件边、工具节点，完成完整流程编排。
四、消息类型体系
理解 Agent 工作原理的关键。
| 消息类型 | 说明 |
|---|---|
HumanMessage |
用户输入 |
AIMessage |
模型输出，可携带 tool_calls 字段表达工具调用意图 |
ToolMessage |
工具执行结果，回传给模型 |
SystemMessage |
系统提示词 |
Agent Loop 本质：模型输出带 tool_calls 的 AIMessage → 执行工具 → 以 ToolMessage 回传 → 模型继续推理 → 直到输出最终答案。
五、Quick Start 实践记录
5.1 安装顺序
pip install langchain
pip install langchain-openai # 或其他具体集成
5.2 OpenAI vs ChatOpenAI 的区别
| 类 | 适用模型 | 支持工具调用 |
|---|---|---|
OpenAI |
纯文本补全模型（如 gpt-3.5-turbo-instruct） |
❌ 无 bind_tools |
ChatOpenAI |
对话补全模型（如 gpt-4o, gpt-3.5-turbo） |
✅ 支持 |
踩坑：使用旧版
OpenAI类创建 Agent 时报错，原因是该类不支持工具绑定（bind_tools）。需切换为ChatOpenAI。
5.3 更换为本地 Ollama 模型
无 OpenAI quota 时，改用本地 Ollama。因为在 Docker 中运行并暴露端口，需额外传入 base_url：
from langchain_ollama import ChatOllamallm = ChatOllama(model="...", # 模型名称需写全，如果有参数需要写上base_url="http://localhost:11434"
)
确认模型名称：
docker exec -it ollama ollama list
5.4 Agent 只表达意图，不自动执行
现象：Agent 返回"我想调用 get_weather"，程序即结束，工具未被执行。
原因：LangChain 的 create_agent 封装只负责让模型完成推理、表达工具调用意图（Intent），不负责执行工具。执行循环需要额外层：
- 旧版方式：用
AgentExecutor包装 agent，由它驱动执行循环 - 现代推荐：在 LangGraph 中将 agent 作为 node，配合
ToolNode和条件边完成完整执行流程
六、总结：组件关系
用户输入↓
Agent（LLM 推理，基于 HumanMessage + SystemMessage）↓ 输出 AIMessage（携带 tool_calls）
Tool 执行↓ 返回 ToolMessage
Agent 继续推理（Memory 贯穿全程）↓
最终输出