---

name: langchain-architecture description: "掌握 LangChain 框架，构建具有代理、链、记忆和工具集成的复杂 LLM 应用。" risk: unknown source: community date_added: "2026-02-27"

LangChain 架构

掌握 LangChain 框架，构建具有代理、链、记忆和工具集成的复杂 LLM 应用。

不要在以下情况使用此技能

• 任务与 LangChain 架构无关
• 你需要此范围之外的不同领域或工具

指令

• 明确目标、约束和所需输入。
• 应用相关最佳实践并验证结果。
• 提供可操作的步骤和验证方法。
• 如需详细示例，请打开 resources/implementation-playbook.md。

在以下情况使用此技能

• 构建具有工具访问权限的自主 AI 代理
• 实现复杂的多步骤 LLM 工作流
• 管理对话记忆和状态
• 将 LLM 与外部数据源和 API 集成
• 创建模块化、可复用的 LLM 应用组件
• 实现文档处理管道
• 构建生产级 LLM 应用

核心概念

1. 代理

使用 LLM 决定采取哪些操作的自主系统。

代理类型：

• ReAct：推理 + 行动交替进行
• OpenAI Functions：利用函数调用 API
• Structured Chat：处理多输入工具
• Conversational：为聊天界面优化
• Self-Ask with Search：分解复杂查询

2. 链

对 LLM 或其他工具的调用序列。

链类型：

• LLMChain：基本提示词 + LLM 组合
• SequentialChain：多个链按顺序执行
• RouterChain：将输入路由到专门的链
• TransformChain：步骤间的数据转换
• MapReduceChain：并行处理与聚合

3. 记忆

跨交互维护上下文的系统。

记忆类型：

• ConversationBufferMemory：存储所有消息
• ConversationSummaryMemory：总结旧消息
• ConversationBufferWindowMemory：保留最近 N 条消息
• EntityMemory：跟踪实体信息
• VectorStoreMemory：语义相似度检索

4. 文档处理

加载、转换和存储文档以供检索。

组件：

• Document Loaders：从各种来源加载
• Text Splitters：智能分块文档
• Vector Stores：存储和检索嵌入向量
• Retrievers：获取相关文档
• Indexes：组织文档以高效访问

5. 回调

用于日志记录、监控和调试的钩子。

用例：

• 请求/响应日志
• Token 使用量跟踪
• 延迟监控
• 错误处理
• 自定义指标收集

快速开始

from langchain.agents import AgentType, initialize_agent, load_tools
from langchain.llms import OpenAI
from langchain.memory import ConversationBufferMemory

# Initialize LLM
llm = OpenAI(temperature=0)

# Load tools
tools = load_tools(["serpapi", "llm-math"], llm=llm)

# Add memory
memory = ConversationBufferMemory(memory_key="chat_history")

# Create agent
agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.CONVERSATIONAL_REACT_DESCRIPTION,
    memory=memory,
    verbose=True
)

# Run agent
result = agent.run("What's the weather in SF? Then calculate 25 * 4")

架构模式

模式 1：使用 LangChain 的 RAG

from langchain.chains import RetrievalQA
from langchain.document_loaders import TextLoader
from langchain.text_splitter import CharacterTextSplitter
from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings

# Load and process documents
loader = TextLoader('documents.txt')
documents = loader.load()

text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
texts = text_splitter.split_documents(documents)

# Create vector store
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(texts, embeddings)

# Create retrieval chain
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type="stuff",
    retriever=vectorstore.as_retriever(),
    return_source_documents=True
)

# Query
result = qa_chain({"query": "What is the main topic?"})

模式 2：带工具的自定义代理

from langchain.agents import Tool, AgentExecutor
from langchain.agents.react.base import ReActDocstoreAgent
from langchain.tools import tool

@tool
def search_database(query: str) -> str:
    """Search internal database for information."""
    # Your database search logic
    return f"Results for: {query}"

@tool
def send_email(recipient: str, content: str) -> str:
    """Send an email to specified recipient."""
    # Email sending logic
    return f"Email sent to {recipient}"

tools = [search_database, send_email]

agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True
)

模式 3：M