LangChain核心概念#

核心组件：

• Model：LLM 调用封装
• Prompt Template：提示词模板
• Chain：多步骤流水线
• Agent：基于 LLM 决策的工具调用
• Memory：对话历史管理
• Retriever：RAG 检索器

LCEL（LangChain Expression Language）： 声明式链构建 prompt | llm | parser

LangChain是目前最主流的LLM应用开发框架，它把构建LLM应用的常见模式抽象成六大组件。Model是对各种LLM的统一封装，屏蔽不同API的差异。Prompt Template是提示词模板，支持变量替换，避免硬编码Prompt。Chain把多个步骤串成流水线，比如先检索再生成。Agent是最核心的概念——让LLM自己决定调用哪个工具，实现了从”被动回答”到”主动执行”的跨越。Memory管理对话历史，支持滑动窗口、摘要等策略控制上下文长度。Retriever是RAG的检索接口，对接向量数据库做相似度搜索。LCEL（LangChain Expression Language）是声明式的链构建语法，用管道符连接组件：prompt | llm | parser，代码简洁直观。不过LangChain的抽象层有时过重，简单场景直接调SDK可能更合适。

追问方向：

• LangChain 的 LCEL 和传统 Chain 有什么区别？解决了什么问题？ → LCEL 用管道符 | 声明式组合组件，支持流式/批量/异步统一接口。解决了传统 Chain 类爆炸（每种组合写一个类）的问题
• LangChain 和 LangGraph 什么时候用哪个？ → 线性流程用 LangChain（检索→生成），需要条件分支/循环/人工审批用 LangGraph（显式状态图）
• 你们项目用框架吗？为什么选/不选 LangChain？ → DocMind 没用，选 Spring AI 原生集成。原因：Java 技术栈 + 需要深度定制 ReAct 循环 + LangChain 的抽象层在精细控制时反而是障碍
• LangChain 调试困难时怎么排查？ → 开启 verbose 模式看每步输入输出，用 LangSmith 做链路追踪，关键是理解底层 ReAct 原理才能定位是 Prompt 问题还是工具问题

易错点：

• ❌ 过度依赖框架封装不理解底层 → 出问题时需要看框架源码排查，不理解 ReAct 原理就无法 debug Agent 行为
• ❌ 所有场景都用 LangChain → 简单的 API 调用直接用 SDK 更清晰，框架适合复杂编排场景
• ❌ 认为 Python 框架是唯一选择 → Java 生态有 Spring AI，Go 有 LangChainGo，选型要看团队技术栈

项目实践（DocMind）： 没有使用 LangChain，选择 Spring AI 原生集成。原因：项目是 Java 技术栈（Spring Boot），需要深度定制 ReAct 循环和工具调用流程，Spring AI 提供了 Function Calling 和 MCP 原生支持，且团队对 Spring 生态更熟悉。LangChain 的抽象层在需要精细控制时反而成为障碍。