AI Journey Fighting

Appearance

LangChain 学习总结：AI Agent 第一阶段学习完成 ​

为什么要用 LangChain ​

不同大模型的 API 格式不同——OpenAI 的 system prompt 在 messages 数组里，Anthropic 有独立的 system 字段，Google 用 system_instruction。如果不用框架，换个模型就要改一遍代码。

LangChain 的 BaseChatModel 统一了这些差异：

js
const model = new ChatXxx({ ... });
await model.invoke(messages);  // 不管底层是什么模型，调用方式相同

国产模型兼容 OpenAI 格式时直接用 ChatOpenAI 改 baseURL 即可；专用模型用对应的 ChatDeepSeek、ChatAnthropic 等。

学过的七大组件 ​

┌────────────────────────────────────────────────┐
│              LangChain 七大组件                  │
│                                                │
│  ① ChatModel       → 调用各种大模型               │
│  ② PromptTemplate  → 组件化管理 prompt            │
│  ③ OutputParser    → 控制输出格式（JSON/流式等）    │
│  ④ Tool / MCP      → 模型调用外部工具              │
│  ⑤ Memory          → 对话记忆（截断/总结/检索）     │
│  ⑥ RAG / Milvus    → 向量检索增强生成              │
│  ⑦ LCEL (Runnable) → 声明式组装 chain（胶水层）    │
└────────────────────────────────────────────────┘

① ChatModel — 统一的模型接口 ​

所有模型用同一套 invoke() / stream() API。切换模型只需改实例化参数，不改业务逻辑。

② PromptTemplate — 组件化管理 ​

API场景
PromptTemplate基础占位符
ChatPromptTemplate对话格式（system/human/ai）
PipelinePromptTemplate多模块组合
FewShotPromptTemplate带示例
MessagesPlaceholder插入对话历史

③ OutputParser — 输出控制 ​

Parser用途
StringOutputParser提取纯文本
StructuredOutputParserJSON Schema 约束
model.withStructuredOutput()推荐——自动选择最佳方案
JsonOutputToolsParser解析 tool_call 流式片段

④ Tool / MCP — 外部工具调用 ​

标准 Agent Loop：

LLM 判断需要调工具 → 返回 tool_calls（name + args）
  → 执行工具 → 结果包成 ToolMessage → 放回 messages
  → LLM 再判断 → 回答 or 继续调工具 → 循环

MCP Server 则是把工具做成标准化服务——任何兼容 MCP 的客户端都能接入。

⑤ Memory — 记忆策略 ​

策略做法适用
Buffer全量保留最近 N 轮短对话
Summary对历史做摘要中长对话
Vector向量检索相关历史超长对话

实际项目通常组合使用——Buffer Window + Summary + 向量检索混合。

⑥ RAG / Milvus — 检索增强 ​

文档 → Loader 加载 → Splitter 分块 → Embedding 向量化 → Milvus 存储
问题 → Embedding → Milvus 相似度搜索 → 召回 top K → LLM 生成回答

ChunkSize 是关键调参点——太小语义不完整，太大召回不精准。400-800 字是通常的甜区。

⑦ LCEL（Runnable）— 声明式组装 ​

js
const chain = prompt.pipe(model).pipe(parser);
await chain.invoke({ input: "..." });

用管道 (pipe) 把组件串起来，支持 map（批量）、branch（条件）、retry（重试）、fallback（兜底）等高级模式。核心思想：把写逻辑变成组装零件。

从组件到体系 ​

七个组件不是孤立的——它们在实际项目中的关系：

用户输入 → PromptTemplate(②) 格式化
  → ChatModel(①) 推理
  → OutputParser(③) 结构化
  → Tool(④) 执行 → 结果返回 LLM
  → Memory(⑤) 更新对话历史
  → RAG(⑥) 补充知识检索
整个过程被 LCEL(⑦) 用 pipe 声明式串起

核心收获 ​

  • LangChain 是桥，不是墙——它统一了不同模型、不同工具的接口，切换成本从「重写逻辑」降到「改一行配置」
  • 组件化思维——每个组件只做一件事，LCEL 负责把他们串起来
  • 先理解概念，再记 API——OutputParser、Memory、RAG 背后的思想比具体类名重要
  • 从 Demo 到生产——NestJS 集成、Tool DI、定时任务、Docker 部署，是把 Agent 从脚本变成服务的必经之路