LangChain核心概念Chain、Agent、Tool、Memory、Retriever一文搞懂记忆篇结束我们进入LangChain深度篇。前面三十多篇里我们手写了记忆系统手写了工具调用手写了RAG流程。代码能跑功能也有但每写一个新功能都要从零搭一遍。提示词拼来拼去消息列表手动维护工具分发自己写if-else。功能越加越多代码就越乱。这种时候你会想有没有人把这些常见套路封装好。LangChain就是干这个的。它把AI应用里反复出现的模式抽象成几个核心概念Chain、Agent、Tool、Memory、Retriever。理解了这五个LangChain的大部分代码你都能看懂。市面上AI应用框架不少LangChain、LlamaIndex、Semantic Kernel各有各的定位。LangChain生态最全社区最大坑也踩得最多文档和教程遍地都是。我们这个专栏以它为主线搞懂它的概念体系换到别的框架也触类旁通。这篇把这五个概念一次讲清楚每个都配一段能跑的代码。Chain把步骤串起来Chain解决的问题是怎么把提示词、模型、输出解析这几步连成一条流水线。最早LangChain的Chain是一堆继承BaseChain的类LLMChain、SequentialChain之类。写法繁琐调试也麻烦。后来官方推了LCEL全称LangChain表达式语言。核心思路是用管道符把组件串起来像Unix管道一样前一步的输出自动喂给下一步。fromlangchain_openaiimportChatOpenAIfromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.output_parsersimportStrOutputParser modelChatOpenAI(modelgpt-4o-mini,temperature0)promptChatPromptTemplate.from_template(用一句话向小学生解释什么是{concept})chainprompt|model|StrOutputParser()print(chain.invoke({concept:向量数据库}))这段代码里prompt负责把变量填进模板model负责生成回答StrOutputParser负责把AIMessage里的文本抠出来。三个组件用竖线连起来数据从左往右流。LCEL的好处是组合性强你想在中间加一步翻译直接再接一个管道就行。踩坑点也有调试时如果某一步报错报错信息有时不太直观得自己把链条断开逐步排查。Agent让模型自己决定下一步Chain是固定流程你写好了A到B到C它就老老实实走。但有些任务没法预先定死步骤。用户问北京明天天气怎么样模型得先决定调天气工具拿到结果再组织回答。这种需要模型自己决策的场景就用Agent。Agent和Chain最大的区别在于控制权。Chain的流程是你定的Agent的流程是模型定的。模型根据当前情况决定要不要调工具、调哪个工具、调几次。fromlangchain_openaiimportChatOpenAIfromlangchain_core.toolsimporttoolfromlangchain.agentsimportcreate_tool_calling_agent,AgentExecutorfromlangchain_core.promptsimportChatPromptTemplatetooldefadd(a:int,b:int)-int:两个整数相加returnabtooldefmultiply(a:int,b:int)-int:两个整数相乘returna*b modelChatOpenAI(modelgpt-4o-mini)tools[add,multiply]promptChatPromptTemplate.from_messages([(system,你是一个计算助手用工具完成计算),(human,{input}),(placeholder,{agent_scratchpad}),])agentcreate_tool_calling_agent(model,tools,prompt)executorAgentExecutor(agentagent,toolstools,verboseTrue)print(executor.invoke({input:3乘以5再加10})[output])这里模型会自己拆解先算3乘5得15再算15加10得25。你不用告诉它先乘后加它自己判断。verbose参数打开后能看到完整的思考过程调试时很有用正式上线建议关掉省token。Agent有个常见的坑是死循环。模型调了一次工具觉得结果不对再调一次还是不满意来来回回调个没完。AgentExecutor有个max_iterations参数能兜底超过次数就强制停。生产环境一定要设这个参数不然一个请求烧光你的token额度。Tool给模型装上手脚Tool就是Agent能调用的函数。模型本身只能输出文字有了Tool它才能操作外部世界。查天气、搜网页、算数学、查数据库都可以包成Tool。LangChain里定义Tool最简单的方式是用tool装饰器。写一个普通函数加上类型注解和docstring装饰器会自动帮你转成Tool对象。模型靠docstring判断什么时候该用这个工具所以docstring一定要写清楚描述模糊了模型就会乱调。fromlangchain_core.toolsimporttooltooldefsearch_weather(city:str)-str:查询指定城市的实时天气情况weather_db{北京:晴 26度,上海:多云 30度}returnweather_db.get(city,f暂无{city}的天气数据)# 单独调用print(search_weather.invoke({city:北京}))# 也可以交给Agent让模型自己决定什么时候调一个坑是返回值类型。模型拿到工具返回的内容后会基于它生成回答返回值最好直接给人类可读的文本。返回复杂对象模型容易理解错。另一个坑是参数命名用中文名还是英文名都行但一定要和docstring描述对得上不然模型容易传错参数。Memory让对话有连续性大模型本身是无状态的每次调用都像第一次见面。你要让它记住前面聊过什么得自己维护消息历史。这就是Memory干的事。老版本LangChain有ConversationBufferMemory这类封装类现在官方更推荐直接管理消息列表或者用LangGraph做状态管理。思路都一样把历史消息攒起来每次调用模型时一起传过去。fromlangchain_openaiimportChatOpenAIfromlangchain_core.messagesimportSystemMessage,HumanMessage,AIMessage modelChatOpenAI(modelgpt-4o-mini,temperature0)history[SystemMessage(content你是一个友好的聊天助手)]defchat(user_input):history.append(HumanMessage(contentuser_input))responsemodel.invoke(history)history.append(AIMessage(contentresponse.content))returnresponse.contentprint(chat(我叫老王是个后端程序员))print(chat(我刚才说我叫什么))# 模型能答出老王因为历史消息都在history里消息列表会越来越长token消耗跟着涨。实际项目里要做截断或摘要只保留最近几轮或者把早期对话压缩成摘要。这些技巧记忆篇讲过这里就不重复了。手动管理消息列表看着原始好处是透明出了问题你能看到每一条消息长什么样。等到业务复杂了再上LangGraph它能把状态管理做得更细。Retriever从知识库里捞东西Retriever解决的是知识获取问题。模型训练时学过的知识有截止日期遇到私有数据或最新信息就抓瞎。Retriever先从知识库里检索相关内容再塞给模型参考。Retriever通常搭配向量数据库用。文档先切片、做embedding存进去查询时把问题也变成向量算相似度找最相关的几段。fromlangchain_community.vectorstoresimportChromafromlangchain_openaiimportOpenAIEmbeddings embeddingsOpenAIEmbeddings()storeChroma(embedding_functionembeddings)store.add_texts([LangChain用LCEL来组合组件用管道符连接,向量数据库把文本转成向量后按相似度检索,Agent能自主决定调用哪些工具完成任务,])retrieverstore.as_retriever(search_kwargs{k:2})docsretriever.invoke(怎么让模型自己调工具)fordocindocs:print(doc.page_content)retriever返回的是Document列表每段内容带元数据。检索质量好不好跟切片策略、embedding模型、是否加rerank都有关系RAG篇已经详细讲过。五个概念怎么配合这五个概念各有分工组合起来才是一个完整的Agent应用。Retriever负责从知识库找资料把找到的内容交给模型参考。Tool负责连接外部能力查天气查数据库都靠它。Memory负责记住对话历史让交互有连续性。Agent负责统筹根据用户输入决定要不要调工具、要不要检索、怎么组织回答。Chain负责把上面的组件按一定顺序串起来执行。一个典型的流程是这样的。用户提问Agent判断要不要查知识库要的话让Retriever去检索。检索结果和对话历史一起塞进提示词。如果还需要外部数据Agent调Tool去取。最后Chain把这些步骤串成一条管线输出回答。搞清楚这五个概念之后你会发现LangChain的文档读起来顺畅很多。它所有的组件都在围绕这五个东西打转花样再多也跑不出这个圈。下一篇我们具体动手用LCEL写几种常见的链式调用把提示词、模型、解析器、检索器串成实战可用的流水线。