SuperAPI AI 工具集
合作ENAI 行业资讯收藏
Skill 广场langchain-orchestration

langchain-orchestration

智能体与模型

查看项目

更新于 10-15 15:10

技能介绍

用途

LangChain 编排技能是一份面向生产级 LLM 应用开发的综合指南，主题为使用 LangChain 构建应用，覆盖链、智能体、记忆系统、RAG 模式以及高级编排技术。资料以目录加代码示例的形式组织，便于开发者按主题查阅与参考。

主要能力与内容结构

资料目录包含以下部分：核心概念、链、智能体、记忆系统、RAG 模式、LLM 集成、回调与监控、检索策略、流式输出、错误处理、生产最佳实践。

核心概念

  • LangChain Expression Language（LCEL）：以声明式方式组合链，支持流式、异步与并行执行。示例使用 ChatPromptTemplate、ChatOpenAI、StrOutputParser 通过管道符组合链。
  • Runnable 接口：所有组件实现统一接口，提供 invoke、stream、batch、ainvoke、astream、abatch 等方法。
  • RunnablePassthrough：直接传递输入或应用转换，示例包含 RunnablePassthrough.assign 的用法。

链

  • 顺序链：通过多步骤依次处理数据，示例为先生成创意再评估创意。
  • Map-Reduce 链：使用 RunnableParallel 并行处理多个输入并合并结果，示例包含摘要、关键词、情感分析三个并行分支再汇总。
  • 路由链：根据条件将输入路由到不同链，示例通过 RunnableLambda 实现路由函数。
  • 条件链：使用 RunnableBranch 按条件执行不同处理分支，示例按问题、陈述、命令分类路由。
  • LLMChain（旧版）：传统链格式，示例使用 PromptTemplate 与 LLMChain。
  • Stuff Documents Chain：将文档合并为单一上下文，示例使用 create_stuff_documents_chain。

智能体

  • ReAct 智能体：使用工具进行迭代推理与行动，示例使用 create_react_agent 与 AgentExecutor，并定义 Search、Calculator 工具。
  • LangGraph ReAct 智能体：使用 LangGraph 的 create_react_agent，配合 MemorySaver 检查点与 thread_id 配置。
  • 对话式 ReAct 智能体：内置对话记忆，示例使用 create_conversational_retrieval_agent。
  • Zero-Shot ReAct 智能体：无需示例即可工作，示例使用 initialize_agent 与 load_tools。
  • 结构化聊天智能体：使用结构化输入输出，示例通过 Pydantic 定义工具参数模式。
  • 工具调用智能体：使用原生工具调用，示例通过 bind_tools 绑定工具并组合调用链。

记忆系统

  • ConversationBufferMemory：存储完整对话历史。
  • ConversationBufferWindowMemory：仅保留最近 K 轮交互。
  • ConversationSummaryMemory：对对话历史进行摘要。
  • ConversationSummaryBufferMemory：混合方案，近期消息加摘要，可设置 max_token_limit。
  • 向量存储记忆：VectorStoreRetrieverMemory 对对话历史做语义检索，示例使用 FAISS 与 OpenAIEmbeddings。
  • Recall Memories（LangGraph）：通过 save_recall_memory 与 search_recall_memories 工具实现结构化记忆的保存与搜索。
  • 基于 LangGraph State 的自定义记忆：定义包含 recall_memories 的状态，在智能体处理输入前加载相关记忆。

RAG 模式

  • 基础 RAG 链：使用 FAISS 向量存储、OpenAIEmbeddings、检索器与提示模板组合检索增强生成链。

使用方式

资料以 Python 代码示例展示各功能的用法，示例涉及 langchain_core、langchain_openai、langchain_community、langgraph 等包，以及 ChatPromptTemplate、ChatOpenAI、StrOutputParser、RunnablePassthrough、RunnableParallel、RunnableLambda、RunnableBranch、AgentExecutor、MemorySaver 等类与函数。开发者可按主题复制或参考对应代码片段进行集成。

适用场景

适用于需要构建生产级 LLM 应用的开发者，尤其是需要组合多步骤链、构建带工具的智能体、管理对话记忆或实现 RAG 检索增强生成的场景。

限制

资料未提供安装命令、依赖版本、收费或价格信息、平台支持范围以及具体效果说明，这些内容暂未提供。