LangChain 框架入门：简介、核心模块与文档指南

一、LangChain 简介

1、LangChain 概念

LangChain 是一款专为构建基于大语言模型（LLM）的应用程序而设计的开源框架。

LangChain 可以理解为'大模型应用开发工具箱'，把和大模型交互、处理数据、连接外部工具的各种能力封装成模块化的组件，大模型应用开发者不用从零开始写所有代码，借助 LangChain 开发框架就能快速搭建复杂的 AI 应用。

LangChain 提供了预构建的代理架构和模型集成，可以快速启动，并无缝地将 LLM 融入智能体或大模型应用程序。借助 LangChain 可以使用不到 10 行代码，就可以连接并使用 OpenAI、Anthropic、Google 等大语言模型。

下图是 LangChain 开发 Agent 智能体的架构图，每次提问，都要将历史对话数据 + 本地 RAG 知识库的数据输出到提示词模板中，然后再将拼接好的提示词输入到 LLM 大语言模型中，得到最终的结果。

LangChain 就是将上述内容封装起来，开发者只需要提前配置好大模型和 RAG 知识库，即可使用很少的代码，实现上述功能。

2、LangChain 定位

LangChain 框架的核心价值在于打破单个 LLM 的能力边界。原生 LLM（大语言模型）只能完成简单的问答、生成任务，而 LangChain 通过'模块化'和'可组合性'，让开发者能够轻松整合 LLM 与外部数据、工具、知识库，构建出具备复杂逻辑、上下文感知、多步推理能力的 AI 应用，如：智能客服、代码生成助手、知识库问答系统、自主智能体等。

如果把大语言模型（LLM, Large Language Model）比作汽车的发动机，那么 LangChain 就是完整的汽车底盘 + 传动系统 + 控制系统。LangChain 让'发动机'能适配不同的'车身'（应用场景），实现更复杂的'行驶功能'（业务逻辑）。

3、LangChain 开发语言与应用场景

LangChain 支持 Python 和 JavaScript / TypeScript 双语言开发，生态丰富，兼容主流大语言模型 LLM（OpenAI、Anthropic、Google Gemini、开源的 Llama/GLM 等），是当前 LLM 应用开发的主流框架之一。

LangChain 有如下应用场景：

**知识库问答 (RAG)：**企业内部文档问答、产品手册问答、法律条文检索，核心是"Indexes + RetrievalQAChain"；
**智能对话机器人：**多轮上下文对话、个性化推荐，核心是"Memory + ConversationChain"；
**自主智能体 (AI Agent)：**自动写代码、数据分析、科研辅助（如调用 PubMed API 检索论文 + 总结），核心是"Agents + Tools"；
**文本生成与摘要：**长文档总结、多文档对比总结、个性化文案生成，核心是"LLMChain + Prompt Templates"；
**代码辅助工具：**代码解释、bug 修复、自动化测试，核心是"Agents + PythonREPL Tool"。

4、LangChain 核心组件

**LangChain 核心组件：**LangChain 框架有五大核心组件分别是 LangChain（基础框架）、LangGraph（多智能体编排）、Deep Agents（智能体外骨骼）、LangSmith（监控平台）。

**LangChain（基础框架）：**智能体系统的'操作系统内核'，提供统一模型接口与模块化开发基础。
- ***模型抽象：***统一接口使用适配集成包连接 OpenAI、Anthropic 等 100+ 模型供应商，屏蔽差异；
- ***提示词工程：***模板化管理与优化，提升输出质量；
- ***工具集成：***支持 API、数据库、向量存储等数百种外部服务；
- ***记忆管理：***提供多种记忆策略，解决 LLM 无状态性；
- 文档地址：https://docs.langchain.com/oss/python/langchain/overview
**LangGraph（多智能体编排）：**运行时编排引擎，实现复杂状态管理与任务流控制。
- ***图结构建模：***用有向图表示智能体系统，支持条件分支、循环和状态持久化；
- ***多智能体协作：***让多个 Agent 智能体协同完成复杂任务，如：研究 -> 分析 -> 报告流程；
- ***可视化调试：***直观呈现执行路径，便于问题定位；
- 文档地址：https://docs.langchain.com/oss/python/langgraph/overview
**Deep Agents（智能体外骨骼）：**该组件专注长周期复杂任务处理。
- ***任务规划：***分解长任务为子目标，制定执行策略；
- ***虚拟文件系统：***高效管理大输出，减少 token 消耗；
- ***子智能体委托：***动态创建子 Agent 处理专项任务，提升效率；
- 文档地址：https://docs.langchain.com/oss/python/deepagents/overview
**LangServe（部署服务）：**将智能体转化为生产级 REST/gRPC API 的部署平台，支持流式输出、批处理和异步调用，兼容 FastAPI 生态便于扩展，一键部署，自动生成文档（Swagger/OpenAPI）；
- 文档地址：https://github.com/langchain-ai/langserve
**LangSmith（监控平台）：**统一的可观测性与质量评估中心。
- ***全链路追踪：***可视化 LLM 调用、工具使用和状态变化；
- ***评估与测试：***提供自动和人工评测机制；
- ***性能监控：***分析响应时间、token 使用和错误率；
- 文档参考：https://docs.langchain.com/langsmith/home
- API 参考：https://docs.langchain.com/langsmith/reference

5、LangChain 学习路径

LangChain 学习路径：

**入门阶段：**先掌握 Models、Prompts、LLMChain 三个核心模块，实现简单的文本生成、问答；
**进阶阶段：**学习 Indexes、Memory、RetrievalQAChain，搭建基础的 RAG 知识库问答系统；
**高阶阶段：**学习 Agents、Tools，构建具备自主决策能力的 AI Agent；
**工程化阶段：**结合 LangSmith 调试、LangServe 部署，实现生产级应用。

二、LangChain 模块

LangChain 框架的架构遵循'模块化设计'，每个模块解决特定场景的问题，且模块间可灵活组合。

LangChain 框架的核心价值是模块化组合"LLM 大语言模型与外部资源"，解决原生 LLM 大语言模型'无记忆、无工具、无外部数据'的问题。

在下面介绍的核心模块中，Models 是基础，Chains 是核心组合方式，Agents 是高阶能力，Indexes 是 RAG 的关键。

1、模型输入 / 输出 (Models)

**模型输入 / 输出 (Models)：**是 LangChain 的核心层，负责与各类 LLM / 嵌入模型（Embedding Model）交互，不包括如下子模块：

**LLMs：**对接大语言模型的基础接口，统一不同厂商（OpenAI、Anthropic、百度文心等）的 API 调用方式；例如，用 ChatOpenAI 调用 GPT-4，用 ChatAnthropic 调用 Claude，开发者无需修改核心逻辑，只需要修改配置即可切换模型；
**Chat Models：**针对对话式 LLM（如 GPT-3.5/4 Turbo、Claude Chat）的专用接口，支持结构化的对话消息（用户消息、助手消息、系统消息）；
**Embeddings：**对接文本嵌入模型（如 OpenAI Embedding、BERT、智谱 AI 嵌入模型），将文本转换为向量表示，是知识库问答、文本检索的基础；
参考文档：https://docs.langchain.com/oss/python/langchain/models

下面是最 LangChain 最基本的封装 OpenAI 大模型的代码示例：

from langchain_openai import ChatOpenAI, OpenAIEmbeddings 
from langchain_core.messages import HumanMessage, SystemMessage 

# 1. 初始化对话模型
chat_model = ChatOpenAI(
    model="gpt-3.5-turbo", 
    api_key="你的 OpenAI API 密钥", 
    temperature=0.7 # 生成随机性 , 0-1 之间
)

# 2. 构造对话消息并调用模型
messages = [
    SystemMessage(content="你是一个专业的 Python 编程助手 , 回答简洁易懂 ; "), 
    HumanMessage(content="请解释什么是装饰器？")
]
response = chat_model.invoke(messages)
print(response.content)

# 3. 初始化嵌入模型并生成文本向量
embeddings = OpenAIEmbeddings(api_key="你的 OpenAI API 密钥")
text = "LangChain 是 LLM 应用开发框架"
vector = embeddings.embed_query(text)
print(f"向量长度 : {len(vector)}")
# OpenAI Embedding 输出 1536 维向量

2、提示词模板 (Prompts)

**提示词模板 (Prompts)：**提示词是 LLM 应用的核心，但手写提示词易出错、难复用；LangChain 的 Prompts 模块提供如下功能：

**Prompt Templates：**提示词模板，支持参数化填充；例如，定义一个'代码解释模板'，只需替换'代码片段'参数即可复用；
- 参考文档：https://docs.langchain.com/oss/python/langchain/messages
**Chat Prompt Templates：**针对对话模型的提示词模板，适配多轮对话场景；
**Output Parsers：**将 LLM 的文本输出解析为结构化数据（如 JSON、字典、类对象），解决'LLM 输出不可控'的问题；
- 结构化输出参考文档：https://docs.langchain.com/oss/python/langchain/structured-output

提示工程 Prompt engineering 参考文档：https://docs.langchain.com/langsmith/prompt-engineering

3、索引 (Indexes)

**索引 (Indexes)：**当 LLM 需要处理外部文档（如 PDF、Word、知识库）时，Indexes 模块负责将文档转换为'可检索'的格式，核心流程是：

**加载文档 (Load)：**通过 DocumentLoaders 加载 PDF、TXT、网页、Excel 等格式的文件；
**分割文本 (Split)：**将长文档分割为短文本块（避免超出 LLM 上下文窗口）；
**嵌入文本 (Embed)：**将文本块转换为向量；
**存储向量 (Store)：**将文本向量存入向量数据库（如 Chroma、Pinecone、Milvus）；
**检索文本 (Retrieve)：**根据用户问题检索相关文本块；

4、链 (Chains)

Chains 是 LangChain 的'灵魂'，该模块允许将多个组件（LLM、Prompt、检索器等）组合成一个可执行的流程，解决'单步操作无法完成复杂任务'的问题。

常见的 Chain 类型：

**LLMChain：**最基础的链，将 Prompt Template + LLM 组合，实现'输入参数 -> 生成提示词 -> 调用 LLM -> 输出结果'；
**RetrievalQAChain：**检索增强生成（RAG）的核心链，组合'检索器 + LLM'，实现'用户提问 -> 检索相关文档 -> 将文档和问题传入 LLM -> 生成基于文档的回答'；
**SequentialChain：**串行链，将多个 Chain 按顺序执行，前一个 Chain 的输出作为后一个的输入；

5、记忆 (Memory)

**记忆 (Memory)：**原生 LLM 没有'记忆'，无法记住多轮对话的上下文；Memory 模块解决这个问题，核心模块类型如下：

**ConversationBufferMemory：**简单缓存所有对话历史；
**ConversationSummaryMemory：**对对话历史进行总结，避免上下文过长；
**ConversationTokenBufferMemory：**按 Token 数限制缓存对话历史，适配 LLM 的上下文窗口；

参考文档：https://docs.langchain.com/oss/python/concepts/memory

6、代理 (Agents)

**代理 (Agents)：**Agents 是 LangChain 的高阶能力，让 LLM 大语言模型能'自主决策'，根据用户问题，选择调用哪些工具（如：计算器、搜索引擎、代码解释器），完成多步推理任务。

**Agent：**决策核心，负责判断'该调用哪个工具'、'是否需要继续调用工具'；
**Tool：**工具接口，LangChain 内置多种工具（Calculator、SerpAPI（搜索引擎）、PythonREPL（代码执行）），也支持自定义工具；
**Executor：**执行器，负责执行 Agent 的决策，调用工具并返回结果；

参考文档：https://docs.langchain.com/oss/python/langchain/agents

7、工具 (Tools)

**工具 (Tools)：**该模块是 Agents 的基础，提供与外部系统交互的接口；LangChain 内置工具包括：

**计算类：**Calculator、PythonREPL；
**检索类：**SerpAPI（谷歌搜索）、DuckDuckGoSearch；
**文件类：**FileBrowser、CSVLoader；
**API 类：**RequestsTool（调用 HTTP 接口）；

开发者也可通过 Tool 类自定义工具，只需实现 func（工具逻辑）和 description（工具描述，供 Agent 判断是否调用）；

参考文档：https://docs.langchain.com/oss/python/langchain/agents

8、文档加载器 (Document Loaders)

负责加载外部文档，支持几乎所有主流格式：

**文本类：**TXT、Markdown、JSON；
**办公类：**PDF、Word、Excel、PPT；
**网页类：**URL、HTML、Sitemap；
**数据库类：**MySQL、PostgreSQL、MongoDB；
**其他：**Notion、Confluence、GitHub；

文档加载参考文档：https://docs.langchain.com/oss/python/langchain/knowledge-base#1-documents-and-document-loaders

适配第三方文档加载模型集成包参考文档：https://docs.langchain.com/oss/javascript/integrations/providers/all_providers#file-loaders

9、评估 (Evaluation)

LLM 应用的效果难以量化，Evaluation 模块提供评估工具，支持：

**手动评估：**人工打分；
**自动评估：**用 LLM 自身评估回答质量；
**基准测试：**对比不同模型 / 链的效果；

langsmith 评估参考文档：https://docs.langchain.com/langsmith/evaluation-quickstart#evaluation-quickstart

langsmith 部署参考文档：https://docs.langchain.com/langsmith/deployments

三、LangChain 文档

1、LangChain 功能模块文档

LangChain 功能模块文档：https://docs.langchain.com/oss/python/langchain/overview，该文档是 LangChain 框架 Python 语言的总览文档，左侧章节标题可以跳转到安装文档、快速开始等文档。

2、LangChain API 参考文档

**LangChain API 参考文档：**这是 LangChain 开发具体对应的 Python / JavaScript / TypeScript 语言对应的 API 文档，主要介绍 LangChain 和 LangGraph 构建大模型应用程序用到的核心接口，每个部分涵盖 LangChain 生态系统中的不同方面，使用顶部或左侧的导航栏查看 LangChain 特定模块的文档。

Python 语言 API 文档：https://reference.langchain.com/python/langchain/

JavaScript / TypeScript 语言 API 文档：https://reference.langchain.com/javascript/index.html

下面是 LangChain 框架的 Agents 开发文档：https://reference.langchain.com/python/langchain/agents/

3、LangChain 适配第三方模型集成包

LangChain 框架提供了丰富的适配第三方模型的集成包，涉及到大语言模型（LLMs）、聊天模型、检索器、向量数据库、文档加载器等多个类型的 AI 模型。

集成包指的是 LangChain Python 生态中专门对接不同 AI 模型服务商的程序模块，其核心作用是让开发者不用自己写复杂的 API 调用、参数适配代码，只需几行简单代码就能在 LangChain 框架中调用对应服务商的大语言模型（LLMs）、聊天模型（Chat Models）等能力。

LangChain 框架集成包文档：https://docs.langchain.com/oss/python/integrations/providers/overview

下面给出一个集成包示例，langchain-openai 集成包是 LangChain 官方提供的、专门对接适配 OpenAI 生态（包括 OpenAI 官方、Azure OpenAI）的集成包；

快速调用 OpenAI 的 GPT-3.5/4/4o 等聊天模型、Embedding 嵌入模型；
封装了 OpenAI API 的参数（如温度、最大令牌数、上下文窗口），适配 LangChain 的统一接口；
支持流式输出、函数调用（Function Calling）等 OpenAI 核心特性，无需手动处理 API 交互细节；

langchain-openai 集成包文档地址：https://reference.langchain.com/python/integrations/langchain_openai/

langchain-google-vertexai 集成包是 LangChain 官方适配对接 Google Cloud Vertex AI 平台的集成包（Vertex AI 是 Google 云的一站式 AI 开发平台）。文档地址：https://reference.langchain.com/python/integrations/langchain_google_vertexai/

langchain-ollama 集成包是 LangChain 官方适配对接 Ollama 工具的集成包（Ollama 是一款轻量级本地大模型运行工具，可一键部署 Llama 3、Phi 3、Mistral 等开源模型）。文档地址：https://reference.langchain.com/python/integrations/langchain_ollama/

4、LangChain 教程指南

LangChain 教程指南文档：https://docs.langchain.com/oss/python/learn，在该文档中提供了一系列教程、概念概述及补充资源，借助 LangChain 和 LangGraph 构建功能强大的大模型应用程序。

一、LangChain 简介

1、LangChain 概念

LangChain 是一款专为构建基于大语言模型（LLM）的应用程序而设计的开源框架。

LangChain 就是将上述内容封装起来，开发者只需要提前配置好大模型和 RAG 知识库，即可使用很少的代码，实现上述功能。

2、LangChain 定位

3、LangChain 开发语言与应用场景

LangChain 有如下应用场景：

**知识库问答 (RAG)：**企业内部文档问答、产品手册问答、法律条文检索，核心是"Indexes + RetrievalQAChain"；
**智能对话机器人：**多轮上下文对话、个性化推荐，核心是"Memory + ConversationChain"；
**自主智能体 (AI Agent)：**自动写代码、数据分析、科研辅助（如调用 PubMed API 检索论文 + 总结），核心是"Agents + Tools"；
**文本生成与摘要：**长文档总结、多文档对比总结、个性化文案生成，核心是"LLMChain + Prompt Templates"；
**代码辅助工具：**代码解释、bug 修复、自动化测试，核心是"Agents + PythonREPL Tool"。

4、LangChain 核心组件

**LangChain（基础框架）：**智能体系统的'操作系统内核'，提供统一模型接口与模块化开发基础。
- ***模型抽象：***统一接口使用适配集成包连接 OpenAI、Anthropic 等 100+ 模型供应商，屏蔽差异；
- ***提示词工程：***模板化管理与优化，提升输出质量；
- ***工具集成：***支持 API、数据库、向量存储等数百种外部服务；
- ***记忆管理：***提供多种记忆策略，解决 LLM 无状态性；
- 文档地址：https://docs.langchain.com/oss/python/langchain/overview
**LangGraph（多智能体编排）：**运行时编排引擎，实现复杂状态管理与任务流控制。
- ***图结构建模：***用有向图表示智能体系统，支持条件分支、循环和状态持久化；
- ***多智能体协作：***让多个 Agent 智能体协同完成复杂任务，如：研究 -> 分析 -> 报告流程；
- ***可视化调试：***直观呈现执行路径，便于问题定位；
- 文档地址：https://docs.langchain.com/oss/python/langgraph/overview
**Deep Agents（智能体外骨骼）：**该组件专注长周期复杂任务处理。
- ***任务规划：***分解长任务为子目标，制定执行策略；
- ***虚拟文件系统：***高效管理大输出，减少 token 消耗；
- ***子智能体委托：***动态创建子 Agent 处理专项任务，提升效率；
- 文档地址：https://docs.langchain.com/oss/python/deepagents/overview
**LangServe（部署服务）：**将智能体转化为生产级 REST/gRPC API 的部署平台，支持流式输出、批处理和异步调用，兼容 FastAPI 生态便于扩展，一键部署，自动生成文档（Swagger/OpenAPI）；
- 文档地址：https://github.com/langchain-ai/langserve
**LangSmith（监控平台）：**统一的可观测性与质量评估中心。
- ***全链路追踪：***可视化 LLM 调用、工具使用和状态变化；
- ***评估与测试：***提供自动和人工评测机制；
- ***性能监控：***分析响应时间、token 使用和错误率；
- 文档参考：https://docs.langchain.com/langsmith/home
- API 参考：https://docs.langchain.com/langsmith/reference

5、LangChain 学习路径

LangChain 学习路径：

**入门阶段：**先掌握 Models、Prompts、LLMChain 三个核心模块，实现简单的文本生成、问答；
**进阶阶段：**学习 Indexes、Memory、RetrievalQAChain，搭建基础的 RAG 知识库问答系统；
**高阶阶段：**学习 Agents、Tools，构建具备自主决策能力的 AI Agent；
**工程化阶段：**结合 LangSmith 调试、LangServe 部署，实现生产级应用。

二、LangChain 模块

LangChain 框架的架构遵循'模块化设计'，每个模块解决特定场景的问题，且模块间可灵活组合。

LangChain 框架的核心价值是模块化组合"LLM 大语言模型与外部资源"，解决原生 LLM 大语言模型'无记忆、无工具、无外部数据'的问题。

在下面介绍的核心模块中，Models 是基础，Chains 是核心组合方式，Agents 是高阶能力，Indexes 是 RAG 的关键。

1、模型输入 / 输出 (Models)

**模型输入 / 输出 (Models)：**是 LangChain 的核心层，负责与各类 LLM / 嵌入模型（Embedding Model）交互，不包括如下子模块：

**LLMs：**对接大语言模型的基础接口，统一不同厂商（OpenAI、Anthropic、百度文心等）的 API 调用方式；例如，用 ChatOpenAI 调用 GPT-4，用 ChatAnthropic 调用 Claude，开发者无需修改核心逻辑，只需要修改配置即可切换模型；
**Chat Models：**针对对话式 LLM（如 GPT-3.5/4 Turbo、Claude Chat）的专用接口，支持结构化的对话消息（用户消息、助手消息、系统消息）；
**Embeddings：**对接文本嵌入模型（如 OpenAI Embedding、BERT、智谱 AI 嵌入模型），将文本转换为向量表示，是知识库问答、文本检索的基础；
参考文档：https://docs.langchain.com/oss/python/langchain/models

下面是最 LangChain 最基本的封装 OpenAI 大模型的代码示例：

from langchain_openai import ChatOpenAI, OpenAIEmbeddings 
from langchain_core.messages import HumanMessage, SystemMessage 

# 1. 初始化对话模型
chat_model = ChatOpenAI(
    model="gpt-3.5-turbo", 
    api_key="你的 OpenAI API 密钥", 
    temperature=0.7 # 生成随机性 , 0-1 之间
)

# 2. 构造对话消息并调用模型
messages = [
    SystemMessage(content="你是一个专业的 Python 编程助手 , 回答简洁易懂 ; "), 
    HumanMessage(content="请解释什么是装饰器？")
]
response = chat_model.invoke(messages)
print(response.content)

# 3. 初始化嵌入模型并生成文本向量
embeddings = OpenAIEmbeddings(api_key="你的 OpenAI API 密钥")
text = "LangChain 是 LLM 应用开发框架"
vector = embeddings.embed_query(text)
print(f"向量长度 : {len(vector)}")
# OpenAI Embedding 输出 1536 维向量

2、提示词模板 (Prompts)

**提示词模板 (Prompts)：**提示词是 LLM 应用的核心，但手写提示词易出错、难复用；LangChain 的 Prompts 模块提供如下功能：

**Prompt Templates：**提示词模板，支持参数化填充；例如，定义一个'代码解释模板'，只需替换'代码片段'参数即可复用；
- 参考文档：https://docs.langchain.com/oss/python/langchain/messages
**Chat Prompt Templates：**针对对话模型的提示词模板，适配多轮对话场景；
**Output Parsers：**将 LLM 的文本输出解析为结构化数据（如 JSON、字典、类对象），解决'LLM 输出不可控'的问题；
- 结构化输出参考文档：https://docs.langchain.com/oss/python/langchain/structured-output

提示工程 Prompt engineering 参考文档：https://docs.langchain.com/langsmith/prompt-engineering

3、索引 (Indexes)

**索引 (Indexes)：**当 LLM 需要处理外部文档（如 PDF、Word、知识库）时，Indexes 模块负责将文档转换为'可检索'的格式，核心流程是：

**加载文档 (Load)：**通过 DocumentLoaders 加载 PDF、TXT、网页、Excel 等格式的文件；
**分割文本 (Split)：**将长文档分割为短文本块（避免超出 LLM 上下文窗口）；
**嵌入文本 (Embed)：**将文本块转换为向量；
**存储向量 (Store)：**将文本向量存入向量数据库（如 Chroma、Pinecone、Milvus）；
**检索文本 (Retrieve)：**根据用户问题检索相关文本块；

4、链 (Chains)

Chains 是 LangChain 的'灵魂'，该模块允许将多个组件（LLM、Prompt、检索器等）组合成一个可执行的流程，解决'单步操作无法完成复杂任务'的问题。

常见的 Chain 类型：

**LLMChain：**最基础的链，将 Prompt Template + LLM 组合，实现'输入参数 -> 生成提示词 -> 调用 LLM -> 输出结果'；
**RetrievalQAChain：**检索增强生成（RAG）的核心链，组合'检索器 + LLM'，实现'用户提问 -> 检索相关文档 -> 将文档和问题传入 LLM -> 生成基于文档的回答'；
**SequentialChain：**串行链，将多个 Chain 按顺序执行，前一个 Chain 的输出作为后一个的输入；

5、记忆 (Memory)

**记忆 (Memory)：**原生 LLM 没有'记忆'，无法记住多轮对话的上下文；Memory 模块解决这个问题，核心模块类型如下：

**ConversationBufferMemory：**简单缓存所有对话历史；
**ConversationSummaryMemory：**对对话历史进行总结，避免上下文过长；
**ConversationTokenBufferMemory：**按 Token 数限制缓存对话历史，适配 LLM 的上下文窗口；

参考文档：https://docs.langchain.com/oss/python/concepts/memory

6、代理 (Agents)

**Agent：**决策核心，负责判断'该调用哪个工具'、'是否需要继续调用工具'；
**Tool：**工具接口，LangChain 内置多种工具（Calculator、SerpAPI（搜索引擎）、PythonREPL（代码执行）），也支持自定义工具；
**Executor：**执行器，负责执行 Agent 的决策，调用工具并返回结果；

参考文档：https://docs.langchain.com/oss/python/langchain/agents