LangChain 是什么
LangChain 是一个开源框架，旨在帮助开发者构建基于大语言模型（LLM）的应用程序。它充当了各种 LLM 组件的脚手架，将分散的功能封装并链接在一起，从而简化复杂 LLM 应用的开发难度，使开发者能够快速构建功能丰富的智能应用。
从工程角度来看，LangChain 类似于 Java 生态中的 Spring 或 SpringBoot 框架，通过提供标准化的接口和工具链，显著提升了开发效率。
LangChain 核心架构
Models（I/O）：模型集成与输入输出处理
该模块负责管理不同类型的模型集成及数据交互。
Prompts：提示词管理
Prompts 组件用于模板化、动态选择和管理模型输入，确保指令清晰且上下文相关。
- Prompt templates：支持多种格式，包括 TemplateFormat、MessageTemplate、FewShotPromptTemplate 等，用于定义对语言模型的指令、示例及问题。
- Example selectors：根据输入动态选择最相关的示例，辅助模型生成更准确的响应。
Language models：语言模型调用
提供通用接口调用各类语言模型。
- LLMs：采用文本字符串作为输入并返回文本字符串的模型，如 gpt-3.5-turbo。支持流式输出（Streaming）以优化用户体验。
- Chat models：聊天模型是语言模型的变体，专为对话场景优化，支持缓存（Caching）机制以提升性能。
Output parsers：输出解析器
用于从模型的非结构化输出中提取特定信息。
- 支持获取格式指令、解析结果及带提示的解析。
- 常见类型包括 DateTimeParser（日期时间）、EnumParser（枚举）、ListParser（列表）等，确保输出符合预期格式。
Memory：记忆机制
Memory 涉及在用户与语言模型的交互过程中保留状态概念。交互过程被捕获为 ChatMessages，系统从中摄取、转换和提取知识。内存可以返回多条信息，例如最近的 N 条消息或所有先前消息的摘要。
主要类型包括：
- ConversationBufferMemory：存储完整的对话历史。
- ConversationBufferWindowMemory：仅保留最近 N 轮对话的记忆。
- ConversationTokenBufferMemory：基于 Token 数量限制记忆长度。
- ConversationSummaryMemory：使用摘要形式保存历史对话，节省上下文空间。
Chains：链式调用
Chains 允许将多个组件按顺序组合，形成工作流。
- LLMChain：基础链，将 Prompt 和 LLM 结合。
- SimpleSequentialChain：一般序列链，前一个链的输出作为后一个链的输入，通常有唯一输入和输出变量。
- SequentialChain：支持多个输入和输出变量的序列链，适合复杂逻辑处理。
- RouterChain：路由链，类似条件分支结构，根据输入值选择对应的路径进行后续处理。
Agents：智能代理
某些应用程序需要根据用户输入灵活调用 LLM 和其他工具。代理接口为此提供了灵活性，可访问一套工具并根据输入决定使用哪些工具，甚至将一个工具的输出作为下一个工具的输入。
典型代理类型：
- MathAndWikiAgent：结合数学计算与维基百科查询能力。
- PythonREPLAgent：允许在安全沙箱中执行 Python 代码。
