LangChain Architecture 是一个围绕 LangChain 框架构建 LLM 应用的设计指南，目标是帮助开发者掌握智能体、链、记忆与工具集成等核心机制，从而构建更复杂的 LLM 应用。
用途 该技能用于构建具有工具访问能力的自主 AI 智能体、实现复杂多步骤 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，以及构建生产级 LLM 应用。
主要能力与核心概念
- 智能体（Agents）：使用 LLM 决定采取哪些行动的自主系统，涵盖 ReAct、OpenAI Functions、Structured Chat、Conversational、Self-Ask with Search 等类型。
- 链（Chains）：LLM 或其他工具的调用序列，包括 LLMChain、SequentialChain、RouterChain、TransformChain、MapReduceChain。
- 记忆（Memory）：跨交互维护上下文，包括 ConversationBufferMemory、ConversationSummaryMemory、ConversationBufferWindowMemory、EntityMemory、VectorStoreMemory。
- 文档处理：加载、转换与存储文档以供检索，包括 Document Loaders、Text Splitters、Vector Stores、Retrievers、Indexes。
- 回调（Callbacks）：用于日志、监控与调试的钩子，适用于请求/响应日志、token 用量追踪、延迟监控、错误处理与自定义指标收集。
使用方式 技能提供了快速开始示例（初始化 LLM、加载工具、添加记忆、创建并运行智能体）、架构模式（RAG with LangChain、Custom Agent with Tools、Multi-Step Chain）、记忆管理最佳实践、自定义回调处理器、测试策略、性能优化（缓存、批处理、流式响应）与生产检查清单。若需要详细示例，可打开 resources/implementation-playbook.md。
适用场景 当需要构建自主 AI 智能体、复杂多步骤 LLM 工作流、对话记忆与状态管理、LLM 与外部数据源/API 集成、模块化可复用组件、文档处理流水线或生产级 LLM 应用时，可使用该技能。
限制与注意事项 当任务与 LangChain 架构无关，或需要该范围之外的领域或工具时，不应使用该技能。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（工具描述不佳会混淆智能体）、超出上下文窗口（超过 LLM token 限制）、缺少错误处理、检索效率低下（未优化向量存储查询）。生产环境还需考虑错误处理、日志、token 用量与成本监控、超时限制、限流、输入验证、边界测试、可观测性、回退策略、提示与配置版本控制等。
关于该技能的收费方式、价格、平台支持范围等信息，资料中暂未提供。