LangChain简介

简介

Agent

ReActChain

推理与行动交替执行，LLM在完成任务过程中边思考，变调用工具或执行操作。
适合的任务类型：多轮工具使用；中间步骤需要反思的任务；查询型或逻辑型的任务

内部实现：
是只需要通过构造合适的提示模板，就可以让LLM输出ReAct风格的输出吗？

Reflection

将人的“反思性学习”引入LLM，LLM在失败后复盘自己的决策路径，以进行自我改进。
典型的应用场景：编程、工具调用等。
LLM获得执行失败的信息途径：

1. 环境反馈
2. 用户反馈
3. LLM自我反馈（self-critic）

Plan-and-Execute

将复杂任务拆分成两个阶段，分别由两个大模型作为Planner和Excutor承担任务拆解和执行拆解的子任务步骤的角色。

适合任务：

1. 有清晰的任务结构与流程；
2. 支持长期任务与复杂流程；
3. 更容易集成多个 Agent 协作处理。

[]

Tools

Q&A

🧠 一、LangChain 的多智能体协作机制（Multi-Agent）

LangChain 多智能体系统是建立在 Chain、Tool 和 Agent 架构之上，支持多个 Agent 在一个任务中以协同或竞争方式工作。

🌐 核心机制：

1. 定义多个 Agent

   • 每个 Agent 拥有独立的：

     • LLM（大模型或 API）
     • 工具集（Tools）
     • 专业角色（系统 prompt）
     • 状态与记忆（Memory）

2. 中控调度（Coordinator Agent）

   • 通常采用一个「决策 Agent」管理任务分配，如：

     • Planner + Executor（ReAct 思维）
     • Router + SubAgents（基于任务类型路由）

3. 通信机制

   • Agent 间通过消息传递或共享上下文合作，例如：

     agent1_output = agent1.run(input)
     agent2_input = agent1_output
     agent2.run(agent2_input)

4. 工具共享与上下文统一

   • 支持多个 Agent 共享一套工具（Toolset）或共享 Memory，提高协作效率。

✅ 示例：多人问诊助手系统

• 👩‍⚕ 医学 Agent：调用症状分析工具
• 🧑‍⚕ 药品 Agent：调用药品匹配与推荐工具
• 🤖 中控 Agent：协调提问、信息整合与用户输出

---

🧠 二、LangChain 的记忆功能（Memory）

LangChain 的 Memory 是对语言模型 stateless 特性的补充，模拟「上下文记忆」，用于支持多轮对话、任务持久化、个性化响应等。

🌟 记忆的类型：

1. ConversationBufferMemory

   • 存储全部历史对话内容（适合短对话）

2. ConversationSummaryMemory

   • 使用 LLM 对历史对话总结摘要存储（适合长对话）

3. VectorStoreRetrieverMemory

   • 将对话信息嵌入为向量，支持语义相似召回（记忆容量大）

4. CombinedMemory

   • 结合多个 Memory 类型进行灵活存储与回忆

✨ 如何工作？

from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory()

agent_chain = LLMChain(
    llm=ChatOpenAI(),
    memory=memory,
    prompt=prompt_template,
)

• 每轮对话后自动 save_context
• 下轮调用时 load_memory_variables 注入 prompt

---

⚔️ 三、LangChain vs AutoGen 核心差异

维度	LangChain	AutoGen
理念	构建任务链式流程（Chain of Thought + 工具链）	多 Agent 协同完成复杂任务（像多人项目协作）
多智能体	有路由/子 Agent/中控支持，但偏「流程控制」	原生支持多角色对话，多 Agent 互发消息，结构灵活
通信机制	Agent 调用彼此输出，有限支持异步	Agent 间可自由 chat（同步/异步）
编程模型	基于 Chain → Agent → Tool 模式	基于 UserProxyAgent, AssistantAgent，强调轮流沟通
使用门槛	更偏工程流程，适合有结构化工具	更偏研究探索，适合探索 Agent 社会行为
典型场景	问答系统、RAG、对话机器人	多智能体论文生成、项目协作、AI团队实验

👉 总结：LangChain 更像搭流水线，AutoGen 更像组织项目组。

---

💾 四、基于 LangChain 开发一个本地知识库系统

🎯 目标：

构建一个支持文档上传、嵌入、检索、问答的本地知识库系统。

---

📌 技术架构：

1. 文档预处理（PDF, Word, Markdown） → 文本
2. 文本分块 → 向量嵌入
3. 存储到本地向量数据库（如 Chroma）
4. 用户提问 → 检索相关 chunk → 构建 Prompt → 回答

---

🧱 模块构建（简化版代码）

from langchain.vectorstores import Chroma
from langchain.embeddings import HuggingFaceEmbeddings
from langchain.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter

# 1. 文档加载
docs = PyPDFLoader("my_paper.pdf").load()
splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=100)
chunks = splitter.split_documents(docs)

# 2. 向量化存储
embedding = HuggingFaceEmbeddings()
vector_db = Chroma.from_documents(chunks, embedding, persist_directory="./local_knowledge")

# 3. 检索并问答
from langchain.chains import RetrievalQA
from langchain.chat_models import ChatOpenAI

qa_chain = RetrievalQA.from_chain_type(
    llm=ChatOpenAI(),
    retriever=vector_db.as_retriever()
)

print(qa_chain.run("这篇论文的核心贡献是什么？"))

---

🧠 可选增强：

• 加入 ConversationBufferMemory，实现上下文连续问答
• 加入 LangServe + FastAPI 提供 Web 服务
• 使用 LangGraph 实现更复杂的知识流转（如结构化摘要 → QA）

---

✅ 总结

问题	回答摘要
多智能体协作机制	通过链式任务规划 + Agent 调度支持多角色协作
记忆实现	Memory 模块支持 Buffer、摘要、向量等多种记忆方式
与 AutoGen 区别	LangChain 偏流程驱动、插件化；AutoGen 偏角色协作、交互式
本地知识库系统构建	利用 LangChain 的向量检索 + Chain/QA 模型，快速搭建

参考