用途
本技能用于使用 LangChain 框架设计 LLM 应用，重点覆盖智能体（Agents）、记忆（Memory）与工具集成模式。适合在以下场景使用：构建可自主调用工具的 AI 智能体；实现复杂的多步骤 LLM 工作流；管理对话记忆与状态；将 LLM 与外部数据源和 API 集成；创建模块化、可复用的 LLM 应用组件；实现文档处理流水线；构建生产级 LLM 应用。
核心概念
1. 智能体（Agents）：使用 LLM 决定采取哪些行动的自主系统。类型包括：ReAct（推理与行动交错进行）、OpenAI Functions（利用函数调用 API）、Structured Chat（处理多输入工具）、Conversational（针对聊天界面优化）、Self-Ask with Search（分解复杂查询）。
2. 链（Chains）：对 LLM 或其他工具的调用序列。类型包括：LLMChain（基础提示词 + LLM 组合）、SequentialChain（多个链按顺序执行）、RouterChain（将输入路由到专用链）、TransformChain（步骤间的数据转换）、MapReduceChain（并行处理并聚合）。
3. 记忆（Memory）：跨交互维护上下文的系统。类型包括：ConversationBufferMemory（存储所有消息）、ConversationSummaryMemory（摘要较早消息）、ConversationBufferWindowMemory（保留最近 N 条消息）、EntityMemory（跟踪实体信息）、VectorStoreMemory（语义相似度检索）。
4. 文档处理：加载、转换和存储文档以供检索。组件包括：Document Loaders（从多种来源加载）、Text Splitters（智能切分文档）、Vector Stores（存储和检索嵌入）、Retrievers（获取相关文档）、Indexes（组织文档以便高效访问）。
5. 回调（Callbacks）：用于日志、监控和调试的钩子。用例包括：请求/响应日志、Token 用量跟踪、延迟监控、错误处理、自定义指标收集。
使用方式
技能提供了快速上手代码示例，展示如何初始化 LLM、加载工具、添加记忆并创建智能体：
from langchain.agents import AgentType, initialize_agent, load_tools
from langchain.llms import OpenAI
from langchain.memory import ConversationBufferMemory
llm = OpenAI(temperature=0)
tools = load_tools(["serpapi", "llm-math"], llm=llm)
memory = ConversationBufferMemory(memory_key="chat_history")
agent = initialize_agent(
tools,
llm,
agent=AgentType.CONVERSATIONAL_REACT_DESCRIPTION,
memory=memory,
verbose=True
)
result = agent.run("What's the weather in SF? Then calculate 25 * 4")
架构模式
模式 1：使用 LangChain 的 RAG：加载并处理文档，创建向量存储，构建检索链（RetrievalQA），支持返回源文档。
模式 2：带工具的自定义智能体：使用 @tool 装饰器定义工具（如搜索数据库、发送邮件），通过 initialize_agent 创建智能体。
模式 3：多步骤链：使用 LLMChain 与 SequentialChain 组合提取、分析、摘要等多个步骤，通过 output_key 传递中间结果。
记忆管理最佳实践
根据对话长度和需求选择记忆类型：短对话（少于 10 条消息）使用 ConversationBufferMemory；长对话使用 ConversationSummaryMemory 摘要旧消息；滑动窗口使用 ConversationBufferWindowMemory(k=5)；实体跟踪使用 ConversationEntityMemory；语义检索相关历史使用 VectorStoreRetrieverMemory。
回调系统
可通过继承 BaseCallbackHandler 实现自定义回调处理器，覆盖 on_llm_start、on_llm_end、on_llm_error、on_chain_start、on_agent_action 等方法，用于日志与监控。
测试策略
技能提供使用 pytest 与 unittest.mock 的测试示例，包括测试智能体工具选择（Mock LLM 返回特定工具选择）和测试记忆持久性（保存并加载上下文）。
性能优化
包括：缓存（使用 InMemoryCache）、批处理（使用 ThreadPoolExecutor 并行处理文档）、流式响应（使用 StreamingStdOutCallbackHandler）。
资源与常见陷阱
技能附带参考文档（agents.md、memory.md、chains.md、document-processing.md、callbacks.md）与资产模板（agent-template.py、memory-config.yaml、chain-example.py）。常见陷阱包括：记忆溢出（未管理对话历史长度）、工具选择错误（工具描述不清）、超出上下文窗口、缺少错误处理、检索效率低下。
生产检查清单
包括实现错误处理、添加请求/响应日志、监控 Token 用量与成本、设置智能体执行超时、实现速率限制、添加输入验证、测试边界情况、设置可观测性（回调）、实现回退策略、对提示词与配置进行版本控制。
限制
本技能资料未提供具体的收费、价格、平台支持范围或效果保证等信息，相关内容暂未提供。