LangChain 基础知识1. Runnable 与调用方式 LangChain 中很多组件都遵循统一的 Runnab

1. Runnable 与调用方式

LangChain 中很多组件都遵循统一的 Runnable 接口，例如 Prompt、Model、Retriever 等。

常见调用方式：

# 单次调用
chain.invoke(input)

# 批量调用
chain.batch(inputs)

# 流式调用
chain.stream(input)

其中 invoke() 最常用，而 stream() 常用于实现类似 ChatGPT 的逐步输出效果。

2. RunnablePassthrough

RunnablePassthrough 可以将输入数据直接传递到 Chain 的下一环节。

例如 RAG 中经常需要同时传递：

用户问题
    ├──→ Retriever → context
    │
    └──→ question

最终组合成：

context + question
        ↓
      Prompt
        ↓
       LLM

它在构建 LCEL 流程时非常常见。

3. Chat History

普通模型调用默认不会自动记住之前的聊天内容。

例如：

用户：设备 A001 出现了故障

AI：请问具体是什么故障？

用户：温度过高

如果需要模型理解第二次提问和第一次提问之间的关系，就需要保存聊天历史。

基本流程：

用户消息
   ↓
Chat History
   ↓
Prompt
   ↓
LLM
   ↓
AI 回复
   ↓
保存到 Chat History

这也是实现多轮 AI 对话的重要基础。

4. Streaming 流式输出

普通调用：

用户提问
   ↓
等待模型生成完成
   ↓
一次性显示答案

流式调用：

用户提问
   ↓
模型生成
   ↓
生成一点 → 返回一点 → 页面显示一点

例如：

for chunk in chain.stream({
    "question": "什么是 RAG？"
}):
    print(chunk.content, end="")

实际 Web 项目中的 AI 聊天界面通常会使用流式输出改善用户体验。

5. Metadata 元数据

知识库中的 Document 除了正文，还可以保存 Metadata。

例如：

{
    "page_content": "变压器发生过热时需要检查冷却系统",
    "metadata": {
        "source": "设备运维手册.pdf",
        "page": 15,
        "device_type": "变压器"
    }
}

Metadata 可以记录：

文件名称
页码
文档类型
设备类型
创建时间
知识分类

在 RAG 中可以利用 Metadata 进行过滤，也可以在回答中展示知识来源。

6. 相似度搜索

向量数据库并不是简单进行关键词匹配，而是根据向量之间的相似程度进行搜索。

例如用户搜索：

变压器温度太高怎么办？

知识库中可能没有完全相同的文字，但存在：

变压器过热故障的检查与处理方法

通过 Embedding 和向量相似度计算，仍然可以找到这段内容。

基本流程：

用户问题
   ↓
Embedding
   ↓
问题向量
   ↓
相似度计算
   ↓
Vector Store
   ↓
返回最相关 Chunk

这也是 RAG 能够实现语义检索的重要原因。

7. RAG 中的 Prompt

RAG 并不是把检索结果直接返回给用户。

一般会把检索到的内容放入 Prompt：

你是一名专业的设备运维助手。

请严格根据以下资料回答用户问题。

参考资料：
{context}

用户问题：
{question}

如果资料中不存在答案，请明确说明无法从知识库中找到相关信息。

然后：

Retriever
    ↓
context
    ↓
Prompt
    ↓
LLM
    ↓
最终答案

因此，一个 RAG 系统的回答质量不仅取决于模型，还受到 文档质量、文本切分、Embedding、检索策略和 Prompt 等多个环节影响。

8. Tool Calling

Tool 可以让大模型调用外部功能。

例如给模型提供：

get_device_status
get_weather
search_database
query_alarm
search_knowledge

当用户询问：

帮我查询 A001 设备现在是否正常。

模型可以判断：

需要实时设备数据
      ↓
调用 get_device_status
      ↓
获得设备状态
      ↓
LLM 分析
      ↓
返回用户

这样，大模型就不再只是“聊天”，而是可以和真实业务系统进行交互。

9. Agent 的基本工作方式

Agent 可以理解为让 LLM 根据当前任务决定下一步应该执行什么。

例如：

用户提出任务
     ↓
Agent 分析
     ↓
选择 Tool
     ↓
执行 Tool
     ↓
获取结果
     ↓
继续分析
     ↓
是否还需要调用 Tool？
   ↙              ↘
需要              不需要
 ↓                  ↓
继续执行           最终回答

相比固定 Chain，Agent 更适合步骤无法提前完全确定的复杂任务。

10. LangChain 与 LangGraph

LangChain 主要提供：

Model
Prompt
Retriever
Vector Store
Tool
RAG

而复杂 Agent 应用还会涉及：

状态管理
条件判断
循环执行
多个 Agent 协作
人工审核
复杂工作流

这类需求可以进一步使用 LangGraph。

可以简单理解为：

LangChain
    ↓
提供 AI 应用基础组件

LangGraph
    ↓
组织复杂 Agent 工作流

对于初学者，推荐学习顺序：

LangChain 基础
      ↓
LCEL
      ↓
RAG
      ↓
Tool Calling
      ↓
Agent
      ↓
LangGraph