20250907-03：LangChain的六大核心模块概览
✅ LangChain 第一周成长计划：基础认知与环境搭建
🎯 本周核心目标（Objective）
建立对 LangChain 的系统性认知，完成本地开发环境搭建，并成功运行第一个 LLM 调用程序。
🎯 关键结果（Key Results, KRs）
KR
- 在 2 小时 内，用 官方教程 完成 理解 LangChain 六大核心模块概览，交付 输出一篇文章到CSDN ；若因 知识找不到 失败，最多重试 查找其他资料，最终必须 输出文章 并 整理知识点题目
| KR 编号 | 关键结果描述 | 验收标准 |
|---|---|---|
| KR2 | 能列举并简述 LangChain 六大核心模块（Models, Prompts, Chains, Indexes, Memory, Agents）的功能与协作关系 | 绘制模块关系图或完成填空测验得分 ≥ 90% |
▶ 任务 1.2：掌握六大核心模块功能与关系
具体内容：
- Models：LLM vs ChatModel vs Embedding 模型的区别与用途
- Prompts：模板化输入，控制模型行为
- Chains：串联多个步骤（如 Prompt → LLM → Parser）
- Indexes：文档加载、分块、向量化、检索（RAG 基础）
- Memory：保存对话历史，实现多轮交互
- Agents：自主决策，调用工具（如搜索、计算器）
所需时间：2 小时
预期成果：
- 能为每个模块写出一句话定义（如 “Memory 是让 AI 记得你上句话说什么的模块”）
- 能画出模块协作流程图（用户输入 → Prompt → Chain → Model → 输出，可选 Indexes/Memory/Agents）
难度控制：i+1 —— 不要求深入代码，只需建立模块“是什么、干什么”的认知地图。
资源准备：
理论知识整理
关键内容（即六大核心模块）：
- Models (I/O) ：通过集成层调用具体的 LLM、ChatModel 或 Embedding Model。
- Prompts：使用
PromptTemplate和ChatPromptTemplate管理和格式化输入。 - Indexes (Retrieval) ：实现 RAG 的完整流水线（Loader → Splitter → Embedding → VectorStore → Retriever）。
- Chains：使用 LCEL (
|) 将多个组件（如 Prompt + Model + Parser）串联成可复用的工作流。 - Memory：管理对话或应用的短期/长期状态（如
ConversationBufferMemory）。 - Agents：创建能根据 LLM 的“思考”结果，动态选择并调用 Tools 的智能体。
组件
LangChain 为以下主要组件提供标准、可扩展的接口和外部集成
1️⃣ Model/IO 模型I/O
核心功能简述
格式化和管理语言模型输入输出。 “执行者” ：负责与底层大语言模型（LLM/ChatModel）或嵌入模型（Embeddings）进行实际交互，发送输入并接收原始输出。
关键组件/概念
LLM, ChatModel,promptTemplate outputParser Embeddings, BaseLLM, BaseChatModel, BaseEmbeddings
与其他模块的协作关系
基础层：所有其他模块的最终“执行引擎”。Prompts 为其提供结构化输入，Chains 和 Agents 调用它执行任务，Indexes 使用 Embeddings 模型将文本向量化，OutputParsers 处理其原始输出。
2️⃣ Prompts 提示词
核心功能简述
“指挥官” ：管理和格式化发送给模型的输入指令。通过模板化、动态变量注入、示例引导等方式，将用户输入和业务逻辑转化为模型能理解的高质量提示词，极大提升模型输出的准确性和相关性。
关键组件/概念
PromptTemplate, ChatPromptTemplate, FewShotPromptTemplate, BasePromptTemplate …很多
与其他模块的协作关系
输入层：为 Models 模块准备“弹药”。Chains 将其与模型串联，Agents 根据任务动态生成或选择提示词。Memory 可以将历史对话作为上下文注入到提示词中。
3️⃣ Indexes (索引/检索)
核心功能简述
”知识库” ：实现 RAG（Retrieval-Augmented Generation）的核心。负责从外部数据源加载数据、分割文本、生成向量嵌入、存储到向量数据库，并在需要时检索最相关的文档片段，为模型提供上下文知识，解决“幻觉”问题。
关键组件/概念
Document Loaders, Text Splitters, Embeddings, Vector Stores, Retrievers…
与其他模块的协作关系
数据层：为 Models 和 Prompts 提供外部知识。检索到的文档通常会被注入到 Prompts 中，再由 Chains 或 Agents 传递给 Models 进行生成。是构建知识问答系统的基石。
4️⃣ Chains (链)
核心功能简述
“流水线” ：使用 LCEL（LangChain Expression Language）将多个组件（如 Prompt + Model + Parser）通过管道符 | 串联起来，形成可复用、可组合的自动化工作流。是构建复杂应用的基本单元。
关键组件/概念
LCEL (Runnable), RunnableSequence, RunnableParallel, LLMChain, RetrievalQA…
与其他模块的协作关系
流程层： 作为 LangChain 的“工作流引擎”，Chains 通过 LCEL 管道将 Prompts 的指令、Indexes 的知识、Memory 的上下文有序串联，并驱动 Models 执行生成，同时构成 Agents 内部决策与工具调用的基础执行单元，实现从输入到输出的自动化、可复用任务编排。
5️⃣ Memory (记忆)
核心功能简述
“记事本” ：管理应用或对话的短期和长期状态。在多轮对话中保存历史消息、关键信息或用户偏好，确保对话的连贯性和个性化，让AI应用拥有“记忆”，避免每次交互都从零开始。
关键组件/概念
ConversationBufferMemory, ConversationSummaryMemory, EntityMemory, BaseMemory…
与其他模块的协作关系
状态层：主要服务于 Prompts 和 Agents。它将历史对话或关键信息作为上下文，动态注入到 Prompts 中，使 Models 能基于完整上下文生成回复。Agents 依赖 Memory 来跟踪其决策过程和工具调用历史。
6️⃣ Agents (智能体)
核心功能简述
“决策者” ：赋予应用“ 自主思考 ”和“ 动态行动 ”的能力。它使用 LLM 作为推理引擎，根据用户输入分析应采取的动作（调用哪个 Tool），抽取参数，执行工具，并根据结果决定下一步，直至完成复杂、开放性的任务。
关键组件/概念
langgraph, Tools, Agent Types (e.g., ReAct), Tool Calling
与其他模块的协作关系
智能层：最高级的协作模式。Agents 内部通常包含一个或多个 Chains 来处理思考和调用。它调用 Models 进行推理，利用 Prompts 引导思考，通过 Tools（可能基于 Indexes 或外部API）执行具体操作，并使用 Memory 记录过程。是构建自动化、智能化应用的核心。
🔄 模块协作关系总览例子
模块写作关系图
想象一个典型的 “带记忆的知识问答机器人” 的工作流程：
- 用户提问：用户输入一个问题。
- Memory 介入：系统将当前问题与
Memory中的历史对话结合，形成完整的上下文。【已经知道的知识，记在脑子里】 - Indexes 检索：
Retriever根据问题，从向量数据库中检索出最相关的几篇文档。【不知道的知识，需要查询外部知识获取】 - Prompts 构建：
PromptTemplate将用户问题、历史对话上下文和检索到的文档片段，组合成一个结构化的提示词。 - Chains 执行：一个
Chain将构建好的提示词传递给Model。 - Models 生成：
Model（如 GPT-4）接收提示词，生成最终答案。 - Memory 更新：将本次问答（用户问题和AI答案）存入
Memory，供下一轮对话使用。 - （如果是Agent） ：如果问题复杂（如“计算XX公司的市值并画图”），
Agent会先用Model思考，决定先调用“网络搜索”Tool获取数据，再调用“Python代码执行”Tool进行计算和绘图，最后将结果整合成自然语言回复。整个过程由Agent内部的Chains编排，并利用Memory跟踪步骤。
总结来说：
- Models 是执行的终点。
- Prompts 是输入的起点和指挥棒。
- Chains 是连接一切、实现自动化的管道。
- Indexes 是为模型注入外部知识的桥梁。
- Memory 是维持状态和上下文的粘合剂。
- Agents 是站在所有模块之上，进行高级决策和动态任务规划的“大脑”。
这六大模块各司其职，又紧密协作，共同构成了 LangChain 强大而灵活的应用开发生态。
实践练习
习题
自己写出一句话的定义
Models (I/O) ： 格式化提示词模板生成输入，并通过执行LLM/chatmodel 输出格式化的输出
🔶 点评：
你混淆了 Models 与 Prompts/OutputParsers 的职责。- ❌ 错误点：Models 不负责“格式化提示词”或“输出格式化” —— 这是 Prompts 和 OutputParsers 的工作。
- ✅ 正确点：提到了“执行 LLM/ChatModel”，这是核心。
📌 正确一句话定义应为：
“Models 是执行引擎，负责接收结构化输入并调用底层 LLM 或 ChatModel 生成原始文本输出。”
Prompts：格式化和管理提示词生成高质量的大模型输入
非常精准！抓住了核心：“格式化 + 管理 + 高质量输入”。
如果加一个词会更完整：“动态格式化” —— 因为模板支持变量注入。📌 优化版：
“Prompts 动态格式化和管理提示词，将用户输入转化为结构化、高质量的大模型指令。”
Indexes (Retrieval) ：通过各种方式，使大模型能够与外部进行交互，获取外部感知信息。
🔶 点评：
方向正确，但表述过于宽泛。“与外部交互”是整个 LangChain 的目标，不是 Indexes 独有。
Indexes 的核心是 “检索增强生成（RAG）” —— 从私有数据中检索相关片段，注入提示词。📌 优化版：
“Indexes 实现 RAG 流程，从外部数据源加载、向量化并检索相关文档，为模型提供上下文知识。”
Chains：，以 LCEL 表达式语言使用
|管道符号，连接一切组件组合，形成自动化的流水线。✅ 得分：95/100
🔶 点评：
非常棒！准确提到了 LCEL、管道符、组件组合、自动化流水线 —— 几乎完美。
唯一可加的是“可复用”或“声明式”来体现工程价值。📌 优化版：
“Chains 使用 LCEL 声明式管道符
| 连接组件，构建可复用、可调试的自动化工作流。”Memory：实现长短记忆能力，让大模型形成有状态记忆，实现多轮对话，提升交互体验。
✅ 得分：85/100
🔶 点评：
内容正确，但“让大模型形成有状态记忆”表述易引发误解 —— 模型本身无状态，是 LangChain 通过 Memory 组件模拟状态。
建议强调“应用层状态管理”。📌 优化版：
“Memory 在应用层管理对话或任务状态，通过保存历史上下文，实现连贯的多轮交互体验。”
Agents：能够自主规划任务计划，执行任务，调用各个组件获取所需信息，自主决策下一步行动。
✅ 得分：90/100
🔶 点评：
非常出色！准确抓住了“自主规划、决策、调用组件”的核心。
可补充“基于 LLM 推理”来强调其智能来源。📌 优化版：
“Agents 基于 LLM 推理能力，自主规划、决策并动态调用 Tools 或 Chains 完成开放性复杂任务。”
术语
进度跟踪卡
| 字段 | 说明 | 示例 |
|---|---|---|
| 里程碑完成度 | 关键节点的达成情况（与计划对比） | 1. 绘制模块间写作图，梳理相互之间关系和概念作用 2. 输出模块文档 3. 一句话定义模块练习： 总体评分：83.3 / 100 🎖️ 等级：良好 → 优秀边缘！只需微调术语精确性即可冲刺满分。 |
| 能力变化曲线 | 核心指标的趋势跟踪（如正确率、耗时、难度等级） | 耗时： 3h 难度： 中 |
| 瓶颈突破记录 | 遇到的停滞期及解决方案（如平台期、动机下降、技术难点） | 术语精确性打磨（30分钟） 任务三：画图挑战（可选，15分钟） |
| 心理表征发展 | 对领域规律的认知深化（如模式识别、问题拆解能力的提升） | 认知langchain模块的作用和概念，以及执行前后顺序。了解一个应用的需要涉及的模块。 |
| 总结与展望 | 阶段性成果、不足及下一阶段计划调整 | 成果：初步了解langchain模块的作用概念。 不足：model IO 理解错误，术语打磨 调整： |