LangChain 是一個用于構建基于大語言模型（LLM）的應用程序的開源框架，它提供了一套工具、組件和接口， 可以將 LLM 模型、向量數據庫、交互層 Prompt、外部知識、外部工具整合到一起，進而可以自由構建 LLM 應用。
LangChain 主要能做這些事：

1. 連接外部數據：大語言模型的訓練數據有時間限制，且無法直接訪問實時信息或私有數據。LangChain 可以連接數據庫、文檔（PDF、Word 等）、網頁等外部數據源，讓模型能基于最新或專有數據生成回答。例如，讓模型結合公司內部文檔回答員工問題，或結合實時新聞分析市場動態。2. 調用外部工具：除了處理文本，LangChain 能讓模型調用各種外部工具完成任務，比如調用計算器做數學運算、調用地圖 API 獲取地理位置信息、調用代碼解釋器執行代碼、甚至調用搜索引擎獲取實時數據。例如，讓模型幫你查詢天氣、預訂機票，或根據數據生成圖表。3. 構建復雜工作流：對于多步驟的任務，LangChain 支持將多個操作（如 “先查詢數據→再分析數據→最后生成報告”）組合成一個連貫的工作流，讓模型按步驟完成復雜任務。例如，自動生成市場調研報告：先調用工具收集行業數據，再讓模型分析數據，最后生成結構化報告。4. 實現記憶功能：在對話場景中，LangChain 可以幫助模型 “記住” 之前的對話內容，讓對話更連貫自然。比如聊天機器人能根據歷史對話上下文理解用戶的潛在需求。5. 支持多模態交互：除了文本，LangChain 還能擴展到大語言模型與圖像、音頻等其他模態數據的交互，構建多模態應用。

langchain核心組件包括：
模型（Models）：封裝各類 LLM（如 GPT、Claude）和嵌入模型（用于數據向量化）；
提示（Prompts）：提示詞模板、輸出解析器（規范模型輸出格式）；
Indexes（索引）：從外部數據中高效查找與問題相關的信息；
鏈（Chains）：將多個組件按邏輯串聯（如 “提示→模型調用→結果處理”）；
記憶（Memory）：保存對話上下文，支持多輪交互；
智能體（Agents）：讓模型自主決策調用哪些工具或組件完成任務。
LangChain組件講解

1. Models（模型）
langchain的模型核心類型有

① LLM(大語言模型)
單輪文本生成、摘要, 常用于內容創作、簡單問答②ChatModel（聊天模型）
多輪對話、上下文交互, 常用于聊天機器人、客服系統
ps: 聊天模型與傳統 LLM（輸入輸出均為純文本）不同，ChatModel 的輸入是結構化的消息列表（包含角色和內容），輸出是單一的消息對象。
聊天模型天然適合多輪對話，通過在消息列表中保留歷史對話，模型可以理解上下文邏輯（例如 “它”“這個” 等代詞指代的內容）。
LLM是 “文本生成工具”，ChatModel是 “對話交互引擎”③Embedding Model (嵌入模型)
文本語義編碼、相似度計算,用于文檔檢索（RAG）、聚類分析

2.Prompts（提示詞）
在 LangChain 中，Prompts（提示詞）是連接用戶輸入與語言模型的核心橋梁，它定義了模型的輸入格式、任務目標和輸出要求。

Prompts 的核心作用
明確任務目標：告訴模型需要完成什么任務（如 “總結文本”“翻譯句子”“生成代碼”）。
規范輸入輸出：定義用戶輸入的格式和模型輸出的格式（如 “用 JSON 返回結果”“分點回答”）。
注入背景信息：提供上下文、約束條件或示例，幫助模型更準確地理解需求（如 “你是一名醫生，請用專業術語回答”）。Prompts 的關鍵組件:
① PromptTemplate（提示模板）: 最基礎的提示詞組件，用于定義包含變量的模板，運行時動態替換變量值。
② ChatPromptTemplate（聊天提示模板）: 專為ChatModel設計，支持多角色消息（如SystemMessage、HumanMessage）的模板化。
③ FewShotPromptTemplate（少樣本提示模板）:通過提供示例（few-shot examples）引導模型輸出格式，適合需要嚴格格式約束的任務（如分類、提取）。
④ OutputParser輸出解析器）配合提示詞使用，將模型的原始輸出轉換為結構化格式（如 JSON、列表），方便后續處理。

3.Indexes(索引)
Indexes（索引）是處理和組織外部數據（如文檔、文本）的核心模塊，其主要作用是將原始數據轉換為可高效檢索的格式，為后續的檢索增強生成（RAG）等功能提供支持。

Indexes 的核心功能
①數據加載（Loading）：從多種來源加載數據（如 PDF、TXT、網頁、數據庫等）。
②文本分割（Splitting）：將長文檔拆分為小塊（chunks），避免超出模型的上下文長度限制。
③嵌入生成（Embedding）：將文本塊轉換為向量（通過Embedding Model），捕捉語義信息。
④向量存儲（Vector Stores）：將向量存入專門的數據庫（如 Chroma、Pinecone），支持高效的相似度檢索。Indexes 的核心組件
①文檔加載器（Document Loaders）
負責從不同來源加載數據，并統一轉換為 LangChain 的Document對象（包含page_content文本內容和metadata元數據）。
常用加載器：PyPDFLoader：加載 PDF 文件；TextLoader：加載 TXT 文件；WebBaseLoader：加載網頁內容；DirectoryLoader：批量加載文件夾中的文件。②文本分割器（Text Splitters）
將長文檔分割為語義連貫的小塊（chunks），平衡 “上下文完整性” 和 “檢索精度”。
核心分割器：
RecursiveCharacterTextSplitter（推薦）：按標點符號、空格等遞歸分割，適合大多數文本；
CharacterTextSplitter：按固定字符數分割，簡單但可能破壞語義；
TokenTextSplitter：按模型 token 數分割，精準控制長度。③向量存儲(Vector Stores)
存儲文本塊的向量表示，支持高效的相似度檢索（如余弦相似度）
LangChain 集成了很多常用的向量數據庫,包括 Faiss、Milvus、Pinecone、Chroma 等④檢索器(Retrievers)
主要用于從海量文檔中快速找到與當前問題最相關的信息，是實現 “檢索增強生成（RAG）” 的核心工具。
LangChain 提供了多種檢索器:
VectorStoreRetriever(向量存儲檢索器): 基于向量相似度檢索
BM25Retriever(關鍵詞檢索器):基于傳統的 TF-IDF（詞頻 - 逆文檔頻率）算法，通過關鍵詞匹配檢索文檔，不依賴向量嵌入。
ContextualCompressionRetriever(上下文壓縮檢索器): 在基礎檢索結果（如向量檢索）的基礎上，用 LLM 對文檔片段進行 “壓縮” 或 “過濾”，保留與問題最相關的核心信息。
ToolRetriever(工具檢索器): 將檢索能力封裝為工具，供智能體（Agent）調用，支持動態決定何時檢索（如 “不確定答案時自動檢索”）。

4. Chains（鏈）
Chains（鏈）是將多個組件（如模型、提示詞、工具、檢索器等）按特定邏輯組合起來的核心機制，用于實現復雜任務的自動化流程。

Chains 的核心價值
組件協同：將獨立的組件（如PromptTemplate→LLM→OutputParser）串聯起來，形成完整的任務流水線。
流程自動化：支持多步驟任務（如 “檢索文檔→生成回答→格式化輸出”），無需手動干預。
抽象復雜度：隱藏組件交互的細節，開發者只需關注整體邏輯（如 “調用鏈→獲取結果”）。Chains 的主要類型
LangChain 提供了數十種鏈，按功能可分為基礎鏈、組合鏈和專用鏈三大類
基礎鏈：單一功能的簡單組合
LLMChain: 最基礎的鏈，將PromptTemplate與LLM/ChatModel組合，實現 “提示詞→模型調用” 的簡單流程。
SimpleSequentialChain: 按順序執行多個鏈，前一個鏈的輸出作為后一個鏈的輸入（僅支持單輸入單輸出）。組合鏈：多步驟復雜流程
SequentialChain: 支持多輸入多輸出的順序鏈，可指定每個鏈的輸入來源和輸出目標（更靈活）。
RouterChain: 根據輸入動態選擇執行哪個鏈（類似 “路由” 功能），適合需要分支邏輯的場景。專用鏈：針對特定場景優化
RetrievalQA: 結合檢索器（Retriever）和模型，實現 “檢索相關文檔→生成回答” 的 RAG（檢索增強生成）流程。
ConversationalRetrievalChain: 在RetrievalQA基礎上增加對話記憶，支持 “多輪對話 + 檢索”適用場景
單步驟任務（如生成文本、翻譯）→ 用LLMChain；
固定流程的多步驟任務（如 “生成標題→寫摘要→翻譯”）→ 用SequentialChain；
動態分支任務（如 “根據問題類型選擇專家”）→ 用RouterChain；
基于文檔的問答→ 用RetrievalQA；
多輪對話 + 檢索→ 用ConversationalRetrievalChain

5. Memory（記憶）
Memory（記憶）是用于存儲和管理對話歷史的核心組件，它讓語言模型能夠 “記住” 之前的交互內容，從而實現連貫的多輪對話。沒有記憶組件，模型每次調用都相當于 “全新對話”，就無法理解上下文關聯
Memory 的核心作用
保存對話歷史：存儲用戶與 AI 的交互記錄（問題和回答）。
提供上下文：將相關歷史對話傳入模型，讓模型理解當前對話的背景。
支持多輪交互：讓對話能夠自然延續（如 “上一個問題你提到…，再詳細說說”）。

langchain 提供了不同的 Memory 組件

①ConversationBufferMemory（基礎緩沖記憶）
完整保存所有對話歷史（用戶消息 + AI 回復）。
簡單直觀單,但歷史過長時會超出模型上下文長度限制②ConversationBufferWindowMemory（窗口記憶）
只保留最近的k輪對話（k為窗口大小），避免歷史過長③  ConversationSummaryMemory（摘要記憶）
用 LLM 將對話歷史總結為摘要，只保留摘要而非完整對話。
大幅壓縮歷史長度，適合超長對話。可能丟失細節（取決于摘要質量）。④ ConversationSummaryBufferMemory（摘要緩存記憶）
積核摘要記憶并使用token長度來確定何時刷新交互。⑤ ConversationKGMemory（知識圖譜記憶）
從對話中提取實體和關系，構建簡單知識圖譜。
結構化存儲關鍵信息，適合需要提取實體關系的場景（如客戶咨詢）。⑥ VectorStoreRetrieverMemory向量存儲記憶
它是將所有之前的對話通過向量的方式存儲到 VectorDB（向量數據庫）中，
在每一輪新的對話中，會根據用戶的輸入信息，匹配向量數據庫中最相似的 K 組對話。

6.Agents（代理）
在 LangChain 中，Agent（智能體）是一種能夠自主決策、調用工具并逐步解決復雜任務的高級組件,
它賦予大型語言模型（LLM）決策和行動能力。Agent 能夠根據用戶輸入動態選擇并調用工具（Tools）、處理復雜任務、維護狀態，并通過迭代推理（如 ReAct 框架）逐步解決問題。
Agent 的本質是 LLM（大腦） + 工具集（Tools） + 決策邏輯（Executor）

關鍵組件

LLM/ChatModel：作為 “大腦”，負責推理、決策和生成指令（如 GPT-4、Claude 等）
Agent: 決策中樞，選擇工具或返回答案	 如: ZeroShotAgent, ReActAgent
Tools: 可執行的外部函數	例如: 搜索工具、計算器、自定義 API
AgentExecutor: 運行代理的循環控制器	例如: 處理迭代、錯誤、超時
Memory: 存儲對話/任務狀態	  例如: ConversationBufferMemory

常用 Agent 類型

① zero-shot-react-description	
基于工具描述直接決定調用哪個工具（無記憶）	
適用簡單工具調用、單輪任務② structured-chat-zero-shot-react-description	
支持結構化輸出（如 JSON），適合復雜工具參數	
適用需要精確控制工具輸入的場景③ chat-conversational-react-description	
結合對話記憶，支持多輪交互	
適用聊天式任務、需要上下文的工具調用④self-ask-with-search	
通過 “自問自答” 分解問題，逐步調用工具	
適用復雜推理任務（如多步數學題

Agent 的工作流程

1. 接收問題：理解用戶需要 例如計算質數之和。
2. 思考決策：是否需要工具？ 選擇哪個工具？ （因涉及數學計算所以判斷出需要調用Python_REPL工具）。
3. 生成工具調用：構造 Python 代碼（如編寫質數判斷函數并求和）。
4.執行工具：運行代碼并獲取結果（1060）。
5.整理回答：將工具返回的結果用自然語言解釋給用戶。