LangChain 是一个用于构建基于大语言模型（LLM）的应用程序的开源框架，它提供了一套工具、组件和接口， 可以将 LLM 模型、向量数据库、交互层 Prompt、外部知识、外部工具整合到一起，进而可以自由构建 LLM 应用。
LangChain 主要能做这些事：

1. 连接外部数据：大语言模型的训练数据有时间限制，且无法直接访问实时信息或私有数据。LangChain 可以连接数据库、文档（PDF、Word 等）、网页等外部数据源，让模型能基于最新或专有数据生成回答。例如，让模型结合公司内部文档回答员工问题，或结合实时新闻分析市场动态。2. 调用外部工具：除了处理文本，LangChain 能让模型调用各种外部工具完成任务，比如调用计算器做数学运算、调用地图 API 获取地理位置信息、调用代码解释器执行代码、甚至调用搜索引擎获取实时数据。例如，让模型帮你查询天气、预订机票，或根据数据生成图表。3. 构建复杂工作流：对于多步骤的任务，LangChain 支持将多个操作（如 “先查询数据→再分析数据→最后生成报告”）组合成一个连贯的工作流，让模型按步骤完成复杂任务。例如，自动生成市场调研报告：先调用工具收集行业数据，再让模型分析数据，最后生成结构化报告。4. 实现记忆功能：在对话场景中，LangChain 可以帮助模型 “记住” 之前的对话内容，让对话更连贯自然。比如聊天机器人能根据历史对话上下文理解用户的潜在需求。5. 支持多模态交互：除了文本，LangChain 还能扩展到大语言模型与图像、音频等其他模态数据的交互，构建多模态应用。

langchain核心组件包括：
模型（Models）：封装各类 LLM（如 GPT、Claude）和嵌入模型（用于数据向量化）；
提示（Prompts）：提示词模板、输出解析器（规范模型输出格式）；
Indexes（索引）：从外部数据中高效查找与问题相关的信息；
链（Chains）：将多个组件按逻辑串联（如 “提示→模型调用→结果处理”）；
记忆（Memory）：保存对话上下文，支持多轮交互；
智能体（Agents）：让模型自主决策调用哪些工具或组件完成任务。
LangChain组件讲解

1. Models（模型）
langchain的模型核心类型有

① LLM(大语言模型)
单轮文本生成、摘要, 常用于内容创作、简单问答②ChatModel（聊天模型）
多轮对话、上下文交互, 常用于聊天机器人、客服系统
ps: 聊天模型与传统 LLM（输入输出均为纯文本）不同，ChatModel 的输入是结构化的消息列表（包含角色和内容），输出是单一的消息对象。
聊天模型天然适合多轮对话，通过在消息列表中保留历史对话，模型可以理解上下文逻辑（例如 “它”“这个” 等代词指代的内容）。
LLM是 “文本生成工具”，ChatModel是 “对话交互引擎”③Embedding Model (嵌入模型)
文本语义编码、相似度计算,用于文档检索（RAG）、聚类分析

2.Prompts（提示词）
在 LangChain 中，Prompts（提示词）是连接用户输入与语言模型的核心桥梁，它定义了模型的输入格式、任务目标和输出要求。

Prompts 的核心作用
明确任务目标：告诉模型需要完成什么任务（如 “总结文本”“翻译句子”“生成代码”）。
规范输入输出：定义用户输入的格式和模型输出的格式（如 “用 JSON 返回结果”“分点回答”）。
注入背景信息：提供上下文、约束条件或示例，帮助模型更准确地理解需求（如 “你是一名医生，请用专业术语回答”）。Prompts 的关键组件:
① PromptTemplate（提示模板）: 最基础的提示词组件，用于定义包含变量的模板，运行时动态替换变量值。
② ChatPromptTemplate（聊天提示模板）: 专为ChatModel设计，支持多角色消息（如SystemMessage、HumanMessage）的模板化。
③ FewShotPromptTemplate（少样本提示模板）:通过提供示例（few-shot examples）引导模型输出格式，适合需要严格格式约束的任务（如分类、提取）。
④ OutputParser输出解析器）配合提示词使用，将模型的原始输出转换为结构化格式（如 JSON、列表），方便后续处理。

3.Indexes(索引)
Indexes（索引）是处理和组织外部数据（如文档、文本）的核心模块，其主要作用是将原始数据转换为可高效检索的格式，为后续的检索增强生成（RAG）等功能提供支持。

Indexes 的核心功能
①数据加载（Loading）：从多种来源加载数据（如 PDF、TXT、网页、数据库等）。
②文本分割（Splitting）：将长文档拆分为小块（chunks），避免超出模型的上下文长度限制。
③嵌入生成（Embedding）：将文本块转换为向量（通过Embedding Model），捕捉语义信息。
④向量存储（Vector Stores）：将向量存入专门的数据库（如 Chroma、Pinecone），支持高效的相似度检索。Indexes 的核心组件
①文档加载器（Document Loaders）
负责从不同来源加载数据，并统一转换为 LangChain 的Document对象（包含page_content文本内容和metadata元数据）。
常用加载器：PyPDFLoader：加载 PDF 文件；TextLoader：加载 TXT 文件；WebBaseLoader：加载网页内容；DirectoryLoader：批量加载文件夹中的文件。②文本分割器（Text Splitters）
将长文档分割为语义连贯的小块（chunks），平衡 “上下文完整性” 和 “检索精度”。
核心分割器：
RecursiveCharacterTextSplitter（推荐）：按标点符号、空格等递归分割，适合大多数文本；
CharacterTextSplitter：按固定字符数分割，简单但可能破坏语义；
TokenTextSplitter：按模型 token 数分割，精准控制长度。③向量存储(Vector Stores)
存储文本块的向量表示，支持高效的相似度检索（如余弦相似度）
LangChain 集成了很多常用的向量数据库,包括 Faiss、Milvus、Pinecone、Chroma 等④检索器(Retrievers)
主要用于从海量文档中快速找到与当前问题最相关的信息，是实现 “检索增强生成（RAG）” 的核心工具。
LangChain 提供了多种检索器:
VectorStoreRetriever(向量存储检索器): 基于向量相似度检索
BM25Retriever(关键词检索器):基于传统的 TF-IDF（词频 - 逆文档频率）算法，通过关键词匹配检索文档，不依赖向量嵌入。
ContextualCompressionRetriever(上下文压缩检索器): 在基础检索结果（如向量检索）的基础上，用 LLM 对文档片段进行 “压缩” 或 “过滤”，保留与问题最相关的核心信息。
ToolRetriever(工具检索器): 将检索能力封装为工具，供智能体（Agent）调用，支持动态决定何时检索（如 “不确定答案时自动检索”）。

4. Chains（链）
Chains（链）是将多个组件（如模型、提示词、工具、检索器等）按特定逻辑组合起来的核心机制，用于实现复杂任务的自动化流程。

Chains 的核心价值
组件协同：将独立的组件（如PromptTemplate→LLM→OutputParser）串联起来，形成完整的任务流水线。
流程自动化：支持多步骤任务（如 “检索文档→生成回答→格式化输出”），无需手动干预。
抽象复杂度：隐藏组件交互的细节，开发者只需关注整体逻辑（如 “调用链→获取结果”）。Chains 的主要类型
LangChain 提供了数十种链，按功能可分为基础链、组合链和专用链三大类
基础链：单一功能的简单组合
LLMChain: 最基础的链，将PromptTemplate与LLM/ChatModel组合，实现 “提示词→模型调用” 的简单流程。
SimpleSequentialChain: 按顺序执行多个链，前一个链的输出作为后一个链的输入（仅支持单输入单输出）。组合链：多步骤复杂流程
SequentialChain: 支持多输入多输出的顺序链，可指定每个链的输入来源和输出目标（更灵活）。
RouterChain: 根据输入动态选择执行哪个链（类似 “路由” 功能），适合需要分支逻辑的场景。专用链：针对特定场景优化
RetrievalQA: 结合检索器（Retriever）和模型，实现 “检索相关文档→生成回答” 的 RAG（检索增强生成）流程。
ConversationalRetrievalChain: 在RetrievalQA基础上增加对话记忆，支持 “多轮对话 + 检索”适用场景
单步骤任务（如生成文本、翻译）→ 用LLMChain；
固定流程的多步骤任务（如 “生成标题→写摘要→翻译”）→ 用SequentialChain；
动态分支任务（如 “根据问题类型选择专家”）→ 用RouterChain；
基于文档的问答→ 用RetrievalQA；
多轮对话 + 检索→ 用ConversationalRetrievalChain

5. Memory（记忆）
Memory（记忆）是用于存储和管理对话历史的核心组件，它让语言模型能够 “记住” 之前的交互内容，从而实现连贯的多轮对话。没有记忆组件，模型每次调用都相当于 “全新对话”，就无法理解上下文关联
Memory 的核心作用
保存对话历史：存储用户与 AI 的交互记录（问题和回答）。
提供上下文：将相关历史对话传入模型，让模型理解当前对话的背景。
支持多轮交互：让对话能够自然延续（如 “上一个问题你提到…，再详细说说”）。

langchain 提供了不同的 Memory 组件

①ConversationBufferMemory（基础缓冲记忆）
完整保存所有对话历史（用户消息 + AI 回复）。
简单直观单,但历史过长时会超出模型上下文长度限制②ConversationBufferWindowMemory（窗口记忆）
只保留最近的k轮对话（k为窗口大小），避免历史过长③  ConversationSummaryMemory（摘要记忆）
用 LLM 将对话历史总结为摘要，只保留摘要而非完整对话。
大幅压缩历史长度，适合超长对话。可能丢失细节（取决于摘要质量）。④ ConversationSummaryBufferMemory（摘要缓存记忆）
积核摘要记忆并使用token长度来确定何时刷新交互。⑤ ConversationKGMemory（知识图谱记忆）
从对话中提取实体和关系，构建简单知识图谱。
结构化存储关键信息，适合需要提取实体关系的场景（如客户咨询）。⑥ VectorStoreRetrieverMemory向量存储记忆
它是将所有之前的对话通过向量的方式存储到 VectorDB（向量数据库）中，
在每一轮新的对话中，会根据用户的输入信息，匹配向量数据库中最相似的 K 组对话。

6.Agents（代理）
在 LangChain 中，Agent（智能体）是一种能够自主决策、调用工具并逐步解决复杂任务的高级组件,
它赋予大型语言模型（LLM）决策和行动能力。Agent 能够根据用户输入动态选择并调用工具（Tools）、处理复杂任务、维护状态，并通过迭代推理（如 ReAct 框架）逐步解决问题。
Agent 的本质是 LLM（大脑） + 工具集（Tools） + 决策逻辑（Executor）

关键组件

LLM/ChatModel：作为 “大脑”，负责推理、决策和生成指令（如 GPT-4、Claude 等）
Agent: 决策中枢，选择工具或返回答案	 如: ZeroShotAgent, ReActAgent
Tools: 可执行的外部函数	例如: 搜索工具、计算器、自定义 API
AgentExecutor: 运行代理的循环控制器	例如: 处理迭代、错误、超时
Memory: 存储对话/任务状态	  例如: ConversationBufferMemory

常用 Agent 类型

① zero-shot-react-description	
基于工具描述直接决定调用哪个工具（无记忆）	
适用简单工具调用、单轮任务② structured-chat-zero-shot-react-description	
支持结构化输出（如 JSON），适合复杂工具参数	
适用需要精确控制工具输入的场景③ chat-conversational-react-description	
结合对话记忆，支持多轮交互	
适用聊天式任务、需要上下文的工具调用④self-ask-with-search	
通过 “自问自答” 分解问题，逐步调用工具	
适用复杂推理任务（如多步数学题

Agent 的工作流程

1. 接收问题：理解用户需要 例如计算质数之和。
2. 思考决策：是否需要工具？ 选择哪个工具？ （因涉及数学计算所以判断出需要调用Python_REPL工具）。
3. 生成工具调用：构造 Python 代码（如编写质数判断函数并求和）。
4.执行工具：运行代码并获取结果（1060）。
5.整理回答：将工具返回的结果用自然语言解释给用户。