LangChain

LangChain

LangChain is a framework for developing applications powered by large language models (LLMs).
LangChain simplifies every stage of the LLM application lifecycle:
  • Productionization: Use LangSmith to inspect, monitor and evaluate your applications, so that you can continuously optimize and deploy with confidence.
  • Deployment: Turn your LangGraph applications into production-ready APIs and Assistants with LangGraph Platform.
    notion image
    notion image

    一、基础模块(基础框架构建)
    Table view
    模块
    功能
    学习建议
    构建 Agent 所需的基本框架,包含 Chain、Prompt、OutputParser 等
    理解 PromptTemplate 和 Chain 如何组合
    封装 OpenAI、Anthropic、Cohere 等模型接口
    熟练使用 ChatOpenAI 与温度、max_tokens 参数配置
    构建标准化 Prompt 模板(支持变量)
    掌握 Few-shot Prompt + Jinja2 语法

    二、链式逻辑(Chains)
    Table view
    模块
    功能
    学习建议
    最基本的 Prompt + LLM 组合链
    会用即可
    串联多个 Chain 组成工作流
    用于“摘要 → 问答 → 评分”多步骤
    用于多段文档摘要(Map+Reduce)
    RAG 时常用
    文档 + 向量检索 + 多轮问答
    开发 AI Agent 的核心组件
    自定义文本预处理或后处理逻辑
    用于输入标准化或输出结构化
    基于文档 + 向量数据库的问答链
    LangChain 最常用 RAG 工具之一

    三、向量检索(Index and Retrieval)
    Table view
    模块
    功能
    学习建议
    加载 PDF, TXT, Web 页面等文档
    会用 PyPDFLoader / WebBaseLoader 等
    将文档切块,支持 Recursive 分法
    重点掌握 RecursiveCharacterTextSplitter
    用于文本向量化(如 OpenAIEmbeddings)
    熟悉使用 OpenAI / HuggingFace 模型
    向量存储,如 FAISS、Chroma、Weaviate
    推荐先掌握 FAISS + Chroma
    定义向量搜索逻辑(Top-k,Score threshold)
    搭配 ConversationalRetrievalChain 使用

    四、工具与代理(Tool & Agent)
    Table view
    模块
    功能
    学习建议
    自定义函数作为 Agent 可调用的工具
    熟练使用 tool 装饰器注册函数
    智能体调度器,会调用 Tool 解决复杂任务
    推荐从 initialize_agent 学起
    运行 Agent 并管理其状态
    支持代理记忆、控制结构等
    集成搜索、SQL、Python REPL 等工具
    常用:PythonTool、GoogleSearchTool
    实现多轮对话的上下文记忆
    推荐 ConversationBufferMemory

    五、高级功能(可选进阶)
    Table view
    模块
    功能
    适用场景
    用图的方式构建多路径、多状态对话代理
    多轮问答、多分支逻辑
    结构化输出格式,如 JSON
    让 LLM 输出满足固定格式
    打印中间信息、监控执行过程
    Debug 非常重要
    对输出格式/内容进行安全检查
    防止 hallucination 或格式错误
    支持异步调用,加速并发处理
    高性能需求(如批量问答)

    ✅ 推荐入门路径(构建自己的 AI Agent)

    1. 基础构建: PromptTemplate + LLMChain + ChatOpenAI
    1. 文档问答: 加载 PDF → Split → Embedding → FAISS → RetrievalQA
    1. 添加记忆与工具: ConversationalRetrievalChain + Tool + Agent
    1. 结构化输出: OutputParser + JSON 格式
    1. 多模态/高级调度: 用 LangGraph 管多轮、多流程对话