LangChain 核心概念

本篇读完之后，不只是“知道 LangChain 有哪些组件”，而是能在脑中自动拼出一条完整的 AI 系统骨架。

如果你把大模型当作一颗恒星，那 LangChain，就是让引力成型、让行星运行的那套宇宙法

LLMs 与 Chat Models

大模型不是一个物种，而是两种气质

LLMs：冷静、克制、像函数

LLMs（Large Language Models） 你可以把它理解为：

一个 text -> text 的超级函数

输入：一段字符串  
输出：一段字符串  

典型用途：

• 文本补全
• 翻译
• 总结
• 结构化输出（JSON / SQL / YAML）

LangChain 中的代表：

• OpenAI
• HuggingFacePipeline
• LlamaCpp
• Qwen / Baichuan / Yi

特征

• 无上下文意识
• 无“对话记忆”
• 更适合嵌入到 pipeline 中

---

Chat Models：有角色、有语境、有情绪

Chat Models 是 LLM 的“社会化版本”。

它们不再接收纯文本，而是接收 Message 序列：

[
  {"role": "system", "content": "你是一个GIS专家"},
  {"role": "user", "content": "解释什么是RAG"}
]

优势

• 支持 system / user / assistant 角色
• 更贴近真实对话
• 更适合 Agent

LangChain 抽象

• ChatOpenAI
• ChatQwen
• ChatAnthropic

现实中： LLMs 更像发动机 Chat Models 更像驾驶员

---

Prompts 与 Prompt Templates

提示词不是咒语，是程序

Prompt：一次性灵感

Prompt 是你和模型的第一次握手。

请你用GIS专家的身份解释什么是栅格数据

问题在于：

• 不可复用
• 不可参数化
• 不可维护

---

Prompt Template：工程化的开始

Prompt Template 的本质：

把自然语言，变成“可编排的接口”

from langchain.prompts import PromptTemplate

template = """
你是一名{role}
请用{style}的方式解释：{topic}
"""

prompt = PromptTemplate(
    input_variables=["role", "style", "topic"],
    template=template
)

价值

• 参数化
• 可测试
• 可版本管理
• 可 A/B

再进阶

• ChatPromptTemplate
• MessagesPlaceholder
• Few-shot Prompt

Prompt ≠ 文案 Prompt = AI 系统的配置文件

---

Chains

链，是秩序的开始

什么是 Chain？

Chain 就是：

把多个步骤，锁进一条确定性的因果链

最经典：

prompt → LLM → output

LangChain 中：

from langchain.chains import LLMChain

---

为什么 Chain 很重要？

因为现实任务从来不是“一问一答”。

例如：

1. 用户问题
2. 判断是否需要查资料
3. 检索知识
4. 重写问题
5. 生成答案
6. 格式化输出

📌 Chain 的意义

• 控制流程
• 降低不确定性
• 提升可调试性

---

常见 Chain 类型

Chain	用途
LLMChain	单模型调用
SequentialChain	多步串联
RouterChain	动态路由
RetrievalQA	RAG 专用

Chain 是 工程理性 Agent 是 认知自由

---

Agents

当模型开始“自己想下一步”

Agent 是什么？

Agent = LLM + Tools + Reasoning Loop

核心循环：

Thought → Action → Observation → Thought → …

它不是“被安排”，而是：

根据当前状态，决定下一步该干什么

---

Tools：Agent 的手和脚

Agent 不怕模型笨， 怕的是——它什么都不能做。

Tool 可以是：

• 搜索
• 数据库查询
• Python 执行
• GIS 空间分析
• API 调用

📌 在你熟悉的领域里：

• Tool = 业务系统能力封装

---

Chain vs Agent（说句实话）

维度	Chain	Agent
可控性	极高	较低
灵活性	低	极高
调试难度	低	高
生产环境	主流	谨慎

👉 真正成熟的系统：Chain + Agent 混合

---

Memory

没有记忆的 AI，只会健忘地聪明

为什么需要 Memory？

否则你会看到：

用户：我刚才说的那张表 AI：哪张？

Memory 让模型：

• 知道“我们聊到哪了”
• 知道“你是谁”
• 知道“什么重要，什么该忘”

---

Memory 类型

类型	说明
ConversationBufferMemory	原始对话
ConversationSummaryMemory	摘要式
VectorStoreMemory	语义记忆
EntityMemory	人物 / 概念

📌 真相：

• 短期记忆 ≠ 长期知识
• 长期知识 → Retriever

---

Retrievers 与 VectorStores

这是 RAG 的心脏

VectorStore：记忆的形态

文本 → Embedding → 向量 → 存储

常见：

• FAISS
• Chroma
• Milvus
• PGVector

---

Retriever：记忆的方式

Retriever 决定：

• 查不查
• 查多少
• 查哪儿

retriever = vectorstore.as_retriever(
    search_type="similarity",
    k=4
)

---

RAG 的本质

不是“模型变聪明了” 而是“模型终于开始查资料了”

LangChain 中的黄金结构：

User Question
→ Retriever
→ Context
→ Prompt
→ LLM
→ Answer

📌 对你这种 GIS / 工程 / 专业领域用户来说： RAG 是刚需，不是锦上添花

---

LLM / ChatModel  —— 思考核心
Prompt           —— 指令系统
Chain            —— 稳定流程
Agent            —— 自主决策
Memory           —— 对话连续性
Retriever        —— 查资料方式
VectorStore      —— 知识存储形态

---