LangChain 三大核心概念完整梳理标准三大核心模块一般是Chains链路、Agents智能体、Retrieval检索 / RAG。下面把三者定位、区别、适用场景讲清楚同时理清相互关系。1. Chains链路核心思想按固定顺序串联多个步骤流程预先写死。 把提示词模板、LLM 调用、工具调用、数据解析、输出格式化等单元按流水线拼装输入沿着固定链路单向流转。本质确定性工作流特点执行顺序人工预先定义不能自主选择下一步动作可复用组件PromptTemplate、LLM、OutputParser、DocumentLoader 等易于调试、可控性强典型例子LLMChainPrompt LLM 最简单链路RetrievalQA文档检索 → 把文档塞入 Prompt → LLM 回答RAG 基础链路顺序链 SequentialChainA 输出作为 B 输入多步骤连续执行适用场景流程固定、不需要模型自主决策的任务文档问答、文本摘要、翻译、结构化数据提取。2. Agents智能体核心思想交给大模型自主判断下一步该做什么、调用什么工具。 模型接收任务后可以自主思考要不要查数据库、调用计算器、搜索、读取文件自主选择工具、自主决定执行循环直到任务完成。本质具备决策能力的动态循环工作流关键组件Agent 核心思考逻辑ReAct、Plan-and-Solve、OpenAI Function CallingTools可供调用的能力搜索、代码解释器、API、数据库查询AgentExecutor执行循环控制器思考→行动→观察→再次思考和 Chain 最大区别Chain步骤是人定好 Agent步骤由模型运行时动态决定。适用场景开放式、不确定路径任务 联网问答、数据分析自动选工具算数据、复杂规划任务、多工具组合问题。3. Retrieval Strategies检索策略检索体系 / RAG 核心核心思想解决大模型知识截止、私有知识缺失问题从外部知识库找到相关上下文再喂给 LLM。 检索不是单一功能而是一整套策略流水线。完整检索链路文档加载 → 文本切分 → 向量化嵌入 → 向量库存储 → 检索召回 → 重排(Rerank) → 上下文筛选常见检索策略分类稀疏检索BM25、关键词检索传统文本匹配稠密检索Embedding 向量相似度检索主流向量库方式混合检索 HybridBM25 向量检索融合兼顾关键词与语义Multi-query / Parent Document Retrieval / Self-query RAG高级优化策略重排 Rerank初次召回后使用更强模型二次筛选和 Chains/Agents 的关系检索可以封装成一条 ChainRetrievalQA检索也可以作为一个 Tool供给 Agent 调用Retrieval 是获取外部知识的手段Chain/Agent 是任务执行调度范式。三者层级关系重点plaintext知识库 ←【Retrieval 检索策略】→ 获取上下文 ↓ 【Chains 固定流水线】 or 【Agents 自主决策智能体】 ↓ 大模型LLM 生成结果Retrieval数据源层能力负责拿外部资料Chain静态调度范式固定流程Agent动态调度范式模型自主规划流程。快速选型口诀流程固定、逻辑简单 →Chain Retrieval标准 RAG需要私有知识库、防止幻觉 → 引入Retrieval 检索策略问题开放不知道需要调用哪些工具、步骤不固定 →Agent延伸学习路线建议先吃透 Chain理解组件拼装、Prompt 管理、输出解析器再深入 Retrieval分块策略、Embedding 选型、向量库、召回与重排、RAG 常见缺陷最后学习 AgentReAct 原理、工具定义、记忆 Memory、Agent 状态、避坑循环思考、幻觉工具调用相信我我之所以反复强调这点是因为它至关重要。 要知道未来无论涌现出什么样的大模型无论模型技术发展到何等先进的水平LangChain 都会是一套通用框架能够支撑你开发任意类型的大模型应用。
LangChain 三大核心概念完整梳理
LangChain 三大核心概念完整梳理标准三大核心模块一般是Chains链路、Agents智能体、Retrieval检索 / RAG。下面把三者定位、区别、适用场景讲清楚同时理清相互关系。1. Chains链路核心思想按固定顺序串联多个步骤流程预先写死。 把提示词模板、LLM 调用、工具调用、数据解析、输出格式化等单元按流水线拼装输入沿着固定链路单向流转。本质确定性工作流特点执行顺序人工预先定义不能自主选择下一步动作可复用组件PromptTemplate、LLM、OutputParser、DocumentLoader 等易于调试、可控性强典型例子LLMChainPrompt LLM 最简单链路RetrievalQA文档检索 → 把文档塞入 Prompt → LLM 回答RAG 基础链路顺序链 SequentialChainA 输出作为 B 输入多步骤连续执行适用场景流程固定、不需要模型自主决策的任务文档问答、文本摘要、翻译、结构化数据提取。2. Agents智能体核心思想交给大模型自主判断下一步该做什么、调用什么工具。 模型接收任务后可以自主思考要不要查数据库、调用计算器、搜索、读取文件自主选择工具、自主决定执行循环直到任务完成。本质具备决策能力的动态循环工作流关键组件Agent 核心思考逻辑ReAct、Plan-and-Solve、OpenAI Function CallingTools可供调用的能力搜索、代码解释器、API、数据库查询AgentExecutor执行循环控制器思考→行动→观察→再次思考和 Chain 最大区别Chain步骤是人定好 Agent步骤由模型运行时动态决定。适用场景开放式、不确定路径任务 联网问答、数据分析自动选工具算数据、复杂规划任务、多工具组合问题。3. Retrieval Strategies检索策略检索体系 / RAG 核心核心思想解决大模型知识截止、私有知识缺失问题从外部知识库找到相关上下文再喂给 LLM。 检索不是单一功能而是一整套策略流水线。完整检索链路文档加载 → 文本切分 → 向量化嵌入 → 向量库存储 → 检索召回 → 重排(Rerank) → 上下文筛选常见检索策略分类稀疏检索BM25、关键词检索传统文本匹配稠密检索Embedding 向量相似度检索主流向量库方式混合检索 HybridBM25 向量检索融合兼顾关键词与语义Multi-query / Parent Document Retrieval / Self-query RAG高级优化策略重排 Rerank初次召回后使用更强模型二次筛选和 Chains/Agents 的关系检索可以封装成一条 ChainRetrievalQA检索也可以作为一个 Tool供给 Agent 调用Retrieval 是获取外部知识的手段Chain/Agent 是任务执行调度范式。三者层级关系重点plaintext知识库 ←【Retrieval 检索策略】→ 获取上下文 ↓ 【Chains 固定流水线】 or 【Agents 自主决策智能体】 ↓ 大模型LLM 生成结果Retrieval数据源层能力负责拿外部资料Chain静态调度范式固定流程Agent动态调度范式模型自主规划流程。快速选型口诀流程固定、逻辑简单 →Chain Retrieval标准 RAG需要私有知识库、防止幻觉 → 引入Retrieval 检索策略问题开放不知道需要调用哪些工具、步骤不固定 →Agent延伸学习路线建议先吃透 Chain理解组件拼装、Prompt 管理、输出解析器再深入 Retrieval分块策略、Embedding 选型、向量库、召回与重排、RAG 常见缺陷最后学习 AgentReAct 原理、工具定义、记忆 Memory、Agent 状态、避坑循环思考、幻觉工具调用相信我我之所以反复强调这点是因为它至关重要。 要知道未来无论涌现出什么样的大模型无论模型技术发展到何等先进的水平LangChain 都会是一套通用框架能够支撑你开发任意类型的大模型应用。
