5.2 LangChain 与 Coze 平台实践：从链到智能体
5.2 LangChain 与 Coze 平台实践：从链到智能体
基于《大规模语言模型：从理论到实践（第2版）》第8章 大模型智能体
爆款小标题：原书 LangChain/Coze 实践：链式调用与平台化 Agent 开发
为什么这一节重要
要把大模型「接上」工具、记忆与业务流程，要么写代码把 LLM、检索、工具调用和状态管理串起来，要么用低代码/可视化平台快速搭 Bot。LangChain是当前最常用的「代码优先」框架：用 Chain、Agent、Memory 等组件把 LLM 与工具、向量库、提示模板组合成可复用的流水线。Coze等平台则通过工作流编排与 Bot 配置，让产品与运营也能参与对话设计、插件与知识库配置。原书第 8 章对二者都有实践介绍。本节把 LangChain 的链与 Agent 的区别、工具与记忆的用法、以及 Coze 类平台的定位讲清，并给出「何时用代码、何时用平台」的选型建议，便于你在实际项目中做出合适选择并避开常见坑。
学习目标
- 理解 LangChain 的核心抽象：能说明 Chain、Agent、工具封装与记忆（Memory）在 LangChain 中的角色，以及「谁决定下一步」在 Chain 与 Agent 中的本质区别（原书第 8 章实践部分）。
- 了解 Coze 等平台的用法：知道如何通过工作流与 Bot 配置完成对话、插件与知识库的搭建，以及这类平台适合什么团队与场景。
- 能做选型决策：根据「纯代码 vs 低代码」「深度定制 vs 快速上线」「数据与权限要求」等因素，在 LangChain 与 Coze 类平台之间做出合理选择，并明确与自建后端、数据边界的配合方式。
一、LangChain 中的 Chain：固定流水线（原书第 8 章）
什么是 Chain：Chain 把多个步骤按固定顺序串联起来，每一步的输入来自上一步的输出。例如：用户输入 → 提示模板填充 → 调用 LLM → 解析输出。谁决定下一步：由开发者预先定义的流程决定，模型只负责「当前这一步」的输入输出，不决定「接下来调用哪个工具、走哪条分支」。
典型用法：适合流程确定、无需根据中间结果动态选择路径的场景。例如「检索→拼 prompt→生成」的 RAG 链、「多步固定顺序的摘要/改写」等。在 LangChain 中，可用LCEL（LangChain Expression Language）或SequentialChain等把 PromptTemplate、LLM、OutputParser 串起来。
RAG Chain 与 Agent 完整可运行代码（依赖：pip install langchain langchain-openai langchain-community sentence-transformers faiss-cpu；设置OPENAI_API_KEY可调用真实模型）：
importos# RAG Chaindefrun_rag_chain():fromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.output_parsersimportStrOutputParserfromlangchain_core.runnablesimportRunnablePassthroughfromlangchain_community.vectorstoresimportFAISSfromlangchain_community.embeddingsimportHuggingFaceEmbeddingsfromlangchain_core.documentsimportDocument embeddings=HuggingFaceEmbeddings(model_name="paraphrase-multilingual-MiniLM-L12-v2",model_kwargs={"device":"cpu"})docs=[Document(page_content="退货政策：7天内可无理由退货。",metadata={"source":"1"}