langchain 架构

结构 1: LangChain

• langchain：构成应用程序认知架构的 Chains, Agents, Retrieval strategies 等
  构成应用程序的链、智能体、RAG。
• langchain-community：第三方集成
  比如：Model I/O、Retrieval、Tool & Toolkit；合作伙伴包 langchain-openai, langchain-anthropic 等。
• langchain-Core：基础抽象和 LangChain 表达式语言 (LCEL)

LangChain，就是 AI 应用组装套件，封装了一堆的 API。langchain 框架不大，但是里面琐碎的知识点特别多。就像玩乐高，提供了很多标准化的乐高零件（比如，连接器、轮子等）

结构 2: LangGraph

LangGraph 可以看做基于 LangChain 的 api 的进一步封装，能够协调多个 Chain、Agent、Tools 完成更复杂的任务，实现更高级的功能。

结构 3: LangSmith

链路追踪。提供了 6 大功能，涉及 Debugging (调试)、Playground (沙盒)、Prompt Management (提示管理)、Annotation (注释)、Testing (测试)、Monitoring (监控)等。与 LangChain 无缝集成，帮助你从原型阶段过渡到生产阶段。

正是因为 LangSmith 这样的工具出现，才使得 LangChain 意义更大，要不仅靠一些 API（当然也可以不用，用原生的 API）。

结构 4: LangServe

将 LangChain 的可运行项和链部署为 REST API，使得它们可以通过网络进行调用。

Java 怎么调用 langchain 呢？就通过这个 langserve。将 langchain 应用包装成一个 rest api，对外暴露服务。同时，支持更高的并发，稳定性更好。

总结

LangChain 当中，最有前途的两个模块就是：LangGraph，LangSmith。

LangChain 能做 RAG，其它的一些框架也能做，而且做的也不错，比如 LlamaIndex。所以这时候 LangChain 要在 Agent 这块发力，那就需要 LangGraph。而 LangSmith，做运维、监控。故，二者是 LangChain 里最有前途的。

核心组件层次

┌───────────────────────────────────────────┐
│               应用层(Applications)         │
├───────────────────────────────────────────┤
│                链层(Chains)                │
├───────────────────────────────────────────┤
│               组件层(Components)           │
│  ┌──────────┬──────────┬──────────┐       │
│  │  Models  │ Prompts  │  Memory  │       │
│  ├──────────┼──────────┼──────────┤       │
│  │  Indexes │  Agents  │ Callbacks│       │
│  └──────────┴──────────┴──────────┘       │
├───────────────────────────────────────────┤
│               基础层(Foundation)           │
└───────────────────────────────────────────┘

核心组件

模块	作用	示例
Prompt	设定提示模板	“请分析以下文本情感：{text}”
LLM	调用大模型（如 OpenAI、Qwen、Claude）	ChatOpenAI()
Parser	解析模型输出为结构化结果	StrOutputParser()、with_structured_output()
Chain (LCEL)	用管道符把各模块串联起来	Prompt - LLM - Parser
Memory	保存历史对话，实现上下文记忆	RunnableWithMessageHistory()
Tool	工具调用，例如计算、查天气	@tool
RAG	检索增强问答，结合向量数据库	FAISS / Chroma
Fallback	模型或链出错时的自动回退	.with_fallbacks()

主要模块说明

🤖 Models(模型层)

– LLM 接口：OpenAI、Anthropic、Hugging Face 等
– Chat Models：专门用于对话的模型接口
– Embeddings：文本向量化模型

📝 Prompts(提示层)

• Prompt Templates：动态提示模板
• Few-shot Examples：少样本学习示例
• Output Parsers：结构化输出解析

🧠 Memory(记忆层)

• Conversation Memory：对话记忆
• Vector Store Memory：向量存储记忆
• Summary Memory：摘要记忆

🔍 Indexes(索引层)

• Document Loaders：文档加载器
• Text Splitters：文本分割器
• Vector Stores：向量数据库

🤖 Agents(代理层)

• Tool Integration：工具集成
• Decision Making：决策制定
• Action Execution：动作执行