强力推荐-智能体开源框架LangChain 详解

文档版本：1.0 整理日期：2026-07-16 适用范围：LangChain Python v1+、LangGraph v1+ 配套文件：LangChain_动态流程展示图.gif

1. 摘要

LangChain 是一个面向大语言模型应用的开源开发框架，主要解决以下问题：

LangChain v1+ 的核心定位已经从早期的“Chain 编排工具”逐步转向：

以 create_agent 为高层 Agent 入口，以 LangGraph 为底层有状态运行时，以 Middleware 完成上下文工程和安全控制。

对于新项目，建议采用以下技术路线：

简单模型调用
↓
LangChain Model / Message / Tool
↓
create_agent
↓
Middleware + Structured Output + Streaming
↓
需要复杂状态机时下沉到 LangGraph
↓
使用 LangSmith 进行追踪、评估与生产监控

2. LangChain 生态定位

2.1 生态组件关系

2.2 分层理解

#mermaid-svg-OC6iH9RYSZg5Wj5l{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-OC6iH9RYSZg5Wj5l .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-OC6iH9RYSZg5Wj5l .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-OC6iH9RYSZg5Wj5l .error-icon{fill:#552222;}#mermaid-svg-OC6iH9RYSZg5Wj5l .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-OC6iH9RYSZg5Wj5l .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-OC6iH9RYSZg5Wj5l .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-OC6iH9RYSZg5Wj5l .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-OC6iH9RYSZg5Wj5l .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-OC6iH9RYSZg5Wj5l .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-OC6iH9RYSZg5Wj5l .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-OC6iH9RYSZg5Wj5l .marker{fill:#333333;stroke:#333333;}#mermaid-svg-OC6iH9RYSZg5Wj5l .marker.cross{stroke:#333333;}#mermaid-svg-OC6iH9RYSZg5Wj5l svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-OC6iH9RYSZg5Wj5l p{margin:0;}#mermaid-svg-OC6iH9RYSZg5Wj5l .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-OC6iH9RYSZg5Wj5l .cluster-label text{fill:#333;}#mermaid-svg-OC6iH9RYSZg5Wj5l .cluster-label span{color:#333;}#mermaid-svg-OC6iH9RYSZg5Wj5l .cluster-label span p{background-color:transparent;}#mermaid-svg-OC6iH9RYSZg5Wj5l .label text,#mermaid-svg-OC6iH9RYSZg5Wj5l span{fill:#333;color:#333;}#mermaid-svg-OC6iH9RYSZg5Wj5l .node rect,#mermaid-svg-OC6iH9RYSZg5Wj5l .node circle,#mermaid-svg-OC6iH9RYSZg5Wj5l .node ellipse,#mermaid-svg-OC6iH9RYSZg5Wj5l .node polygon,#mermaid-svg-OC6iH9RYSZg5Wj5l .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-OC6iH9RYSZg5Wj5l .rough-node .label text,#mermaid-svg-OC6iH9RYSZg5Wj5l .node .label text,#mermaid-svg-OC6iH9RYSZg5Wj5l .image-shape .label,#mermaid-svg-OC6iH9RYSZg5Wj5l .icon-shape .label{text-anchor:middle;}#mermaid-svg-OC6iH9RYSZg5Wj5l .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-OC6iH9RYSZg5Wj5l .rough-node .label,#mermaid-svg-OC6iH9RYSZg5Wj5l .node .label,#mermaid-svg-OC6iH9RYSZg5Wj5l .image-shape .label,#mermaid-svg-OC6iH9RYSZg5Wj5l .icon-shape .label{text-align:center;}#mermaid-svg-OC6iH9RYSZg5Wj5l .node.clickable{cursor:pointer;}#mermaid-svg-OC6iH9RYSZg5Wj5l .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-OC6iH9RYSZg5Wj5l .arrowheadPath{fill:#333333;}#mermaid-svg-OC6iH9RYSZg5Wj5l .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-OC6iH9RYSZg5Wj5l .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-OC6iH9RYSZg5Wj5l .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-OC6iH9RYSZg5Wj5l .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-OC6iH9RYSZg5Wj5l .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-OC6iH9RYSZg5Wj5l .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-OC6iH9RYSZg5Wj5l .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-OC6iH9RYSZg5Wj5l .cluster text{fill:#333;}#mermaid-svg-OC6iH9RYSZg5Wj5l .cluster span{color:#333;}#mermaid-svg-OC6iH9RYSZg5Wj5l div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-OC6iH9RYSZg5Wj5l .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-OC6iH9RYSZg5Wj5l rect.text{fill:none;stroke-width:0;}#mermaid-svg-OC6iH9RYSZg5Wj5l .icon-shape,#mermaid-svg-OC6iH9RYSZg5Wj5l .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-OC6iH9RYSZg5Wj5l .icon-shape p,#mermaid-svg-OC6iH9RYSZg5Wj5l .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-OC6iH9RYSZg5Wj5l .icon-shape .label rect,#mermaid-svg-OC6iH9RYSZg5Wj5l .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-OC6iH9RYSZg5Wj5l .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-OC6iH9RYSZg5Wj5l .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-OC6iH9RYSZg5Wj5l :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

Trace

Trace

业务应用 / API / Web UI

LangChainAgent、Model、Tool、Middleware

LangGraph状态图、循环、持久化、HITL

模型供应商OpenAI / Anthropic / Google / Ollama

外部系统数据库 / 搜索 / 文件 / MCP / SaaS

LangSmithTrace / Evaluation / Observability

2.3 LangChain 与 LangGraph 的选择

使用 LangChain：

• 希望快速构建 Tool Calling Agent；
• 业务流程接近“模型判断 → 调用工具 → 返回观察 → 再判断”；
• 希望通过中间件完成动态提示词、摘要、权限和审批；
• 不想手动搭建状态图。

使用 LangGraph：

• 流程存在复杂分支、循环、并行或回退；
• 需要明确控制每一个节点；
• 需要长时间运行和故障恢复；
• 需要人工审批后继续执行；
• 需要多 Agent 协作；
• 需要精细管理状态和持久化。

二者并非互斥：LangChain 的 Agent 本身构建在 LangGraph 之上。

3. LangChain 的核心架构

3.1 总体执行模型

LangChain Agent 的本质是：

Agent = Model + Harness

其中：

• Model：负责理解上下文、规划下一步、生成工具调用或最终答案；
• Harness：围绕模型运行的全部工程能力，包括提示词、工具、状态、中间件、停止条件、错误处理等。

Agent 的典型循环如下：

#mermaid-svg-wPeUkHrE0cCYeSzP{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-wPeUkHrE0cCYeSzP .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-wPeUkHrE0cCYeSzP .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-wPeUkHrE0cCYeSzP .error-icon{fill:#552222;}#mermaid-svg-wPeUkHrE0cCYeSzP .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-wPeUkHrE0cCYeSzP .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-wPeUkHrE0cCYeSzP .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-wPeUkHrE0cCYeSzP .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-wPeUkHrE0cCYeSzP .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-wPeUkHrE0cCYeSzP .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-wPeUkHrE0cCYeSzP .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-wPeUkHrE0cCYeSzP .marker{fill:#333333;stroke:#333333;}#mermaid-svg-wPeUkHrE0cCYeSzP .marker.cross{stroke:#333333;}#mermaid-svg-wPeUkHrE0cCYeSzP svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-wPeUkHrE0cCYeSzP p{margin:0;}#mermaid-svg-wPeUkHrE0cCYeSzP .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-wPeUkHrE0cCYeSzP .cluster-label text{fill:#333;}#mermaid-svg-wPeUkHrE0cCYeSzP .cluster-label span{color:#333;}#mermaid-svg-wPeUkHrE0cCYeSzP .cluster-label span p{background-color:transparent;}#mermaid-svg-wPeUkHrE0cCYeSzP .label text,#mermaid-svg-wPeUkHrE0cCYeSzP span{fill:#333;color:#333;}#mermaid-svg-wPeUkHrE0cCYeSzP .node rect,#mermaid-svg-wPeUkHrE0cCYeSzP .node circle,#mermaid-svg-wPeUkHrE0cCYeSzP .node ellipse,#mermaid-svg-wPeUkHrE0cCYeSzP .node polygon,#mermaid-svg-wPeUkHrE0cCYeSzP .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-wPeUkHrE0cCYeSzP .rough-node .label text,#mermaid-svg-wPeUkHrE0cCYeSzP .node .label text,#mermaid-svg-wPeUkHrE0cCYeSzP .image-shape .label,#mermaid-svg-wPeUkHrE0cCYeSzP .icon-shape .label{text-anchor:middle;}#mermaid-svg-wPeUkHrE0cCYeSzP .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-wPeUkHrE0cCYeSzP .rough-node .label,#mermaid-svg-wPeUkHrE0cCYeSzP .node .label,#mermaid-svg-wPeUkHrE0cCYeSzP .image-shape .label,#mermaid-svg-wPeUkHrE0cCYeSzP .icon-shape .label{text-align:center;}#mermaid-svg-wPeUkHrE0cCYeSzP .node.clickable{cursor:pointer;}#mermaid-svg-wPeUkHrE0cCYeSzP .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-wPeUkHrE0cCYeSzP .arrowheadPath{fill:#333333;}#mermaid-svg-wPeUkHrE0cCYeSzP .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-wPeUkHrE0cCYeSzP .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-wPeUkHrE0cCYeSzP .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-wPeUkHrE0cCYeSzP .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-wPeUkHrE0cCYeSzP .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-wPeUkHrE0cCYeSzP .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-wPeUkHrE0cCYeSzP .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-wPeUkHrE0cCYeSzP .cluster text{fill:#333;}#mermaid-svg-wPeUkHrE0cCYeSzP .cluster span{color:#333;}#mermaid-svg-wPeUkHrE0cCYeSzP div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-wPeUkHrE0cCYeSzP .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-wPeUkHrE0cCYeSzP rect.text{fill:none;stroke-width:0;}#mermaid-svg-wPeUkHrE0cCYeSzP .icon-shape,#mermaid-svg-wPeUkHrE0cCYeSzP .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-wPeUkHrE0cCYeSzP .icon-shape p,#mermaid-svg-wPeUkHrE0cCYeSzP .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-wPeUkHrE0cCYeSzP .icon-shape .label rect,#mermaid-svg-wPeUkHrE0cCYeSzP .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-wPeUkHrE0cCYeSzP .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-wPeUkHrE0cCYeSzP .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-wPeUkHrE0cCYeSzP :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

是

否

用户输入

构建上下文

调用模型

是否调用工具

执行工具

写入 ToolMessage / 状态

结构化输出或文本回答

返回用户

3.2 配套动态流程图

4. 核心组件详解

4.1 Models：统一模型接口

LangChain 对不同供应商的聊天模型提供统一调用接口，核心方法包括：

示例：

from langchain_openai import ChatOpenAI

model = ChatOpenAI(
model="gpt-5.5",
temperature=0,
)

response = model.invoke([
{"role": "system", "content": "你是一名严谨的技术助手。"},
{"role": "user", "content": "解释什么是向量数据库。"},
])

print(response.content)

模型初始化方式

LangChain v1+ 支持两类方式：

# 方式一：直接初始化供应商模型
from langchain_openai import ChatOpenAI
model = ChatOpenAI(model="gpt-5.5")

# 方式二：在 create_agent 中使用 provider:model 标识
from langchain.agents import create_agent
agent = create_agent("openai:gpt-5.5", tools=[])

工程建议

• 生产环境固定模型版本和参数；
• 将超时、重试、并发数放入统一配置；
• 对高成本模型增加路由策略；
• 将温度、最大输出长度和工具权限按任务动态配置；
• 不要让业务代码直接依赖某个供应商的私有响应格式。

4.2 Messages：上下文的基本单位

Messages 是 LangChain 中模型上下文的基本单位。

常见消息类型：

示例：

from langchain.messages import SystemMessage, HumanMessage

messages = [
SystemMessage("你是一名 Python 工程师。"),
HumanMessage("给出一个线程安全队列示例。"),
]

response = model.invoke(messages)

Messages 不只是字符串，还可携带：

• tool call；
• token usage；
• provider metadata；
• reasoning block；
• multimodal content；
• response id；
• finish reason。

因此，工程中应尽量保留消息对象，不要过早把消息压缩成纯字符串。

4.3 Tools：让模型执行外部动作

Tool 是具有明确输入和输出定义的可调用函数。模型根据当前上下文决定：

基础定义

from langchain.tools import tool

@tool
def multiply(a: float, b: float) –> float:
"""计算两个数字的乘积。"""
return a * b

工具说明非常重要，因为模型会依据：

• 函数名；
• Docstring；
• 参数名称；
• 参数类型；
• 参数描述；

来判断如何调用工具。

工具设计原则

工具分类

查询型工具
├── 搜索
├── 数据库查询
├── 文件读取
└── 状态查询

计算型工具
├── 代码执行
├── 数学计算
└── 数据分析

动作型工具
├── 发邮件
├── 修改工单
├── 调用机器人
└── 下发业务指令

动作型工具的风险最高，应增加权限校验和 Human-in-the-loop。

4.4 Agent：模型与工具的循环执行器

最小 Agent 示例：

from langchain.agents import create_agent
from langchain.tools import tool

@tool
def get_weather(city: str) –> str:
"""查询城市天气。"""
# 示例数据；生产环境替换为真实天气接口
return f"{city}：晴，26°C"

agent = create_agent(
model="openai:gpt-5.5",
tools=[get_weather],
system_prompt="你是一个可靠的助手。需要实时信息时必须调用工具。",
)

result = agent.invoke({
"messages": [
{"role": "user", "content": "深圳天气如何？"}
]
})

print(result["messages"][–1].content)

Agent 内部过程

1. 接收 messages
2. Middleware 在模型调用前处理上下文
3. 模型生成 AIMessage
4. 如果 AIMessage 包含 tool_calls：
4.1 执行工具
4.2 生成 ToolMessage
4.3 写回状态
4.4 再次调用模型
5. 如果没有 tool_calls：
5.1 输出最终结果
6. 达到迭代上限或错误条件时停止

Agent 适用场景

• 搜索助手；
• 企业知识库；
• 数据分析助手；
• 工单处理；
• 邮件、日历、CRM 协同；
• 运维诊断；
• 机器人任务规划；
• 多步骤研究任务。

不适合直接使用自由 Agent 的场景

• 步骤完全固定且必须严格执行；
• 金融交易、医疗决策等高风险自动执行；
• 延迟要求极低；
• 模型无需动态选择工具；
• 每一步必须具有确定性和形式化证明。

这类场景更适合固定工作流或 LangGraph 明确状态机。

4.5 Middleware：LangChain v1+ 的关键扩展机制

Middleware 可以在 Agent 生命周期的关键位置插入控制逻辑。

典型用途：

• 动态系统提示词；
• 对话摘要；
• PII 脱敏；
• 工具权限过滤；
• 模型动态路由；
• 重试和降级；
• 内容安全；
• 人工审批；
• 成本和 token 限制；
• 日志与业务埋点；
• 上下文裁剪。

中间件的概念位置

#mermaid-svg-LHB2KHWw2mUJPT5l{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-LHB2KHWw2mUJPT5l .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-LHB2KHWw2mUJPT5l .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-LHB2KHWw2mUJPT5l .error-icon{fill:#552222;}#mermaid-svg-LHB2KHWw2mUJPT5l .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-LHB2KHWw2mUJPT5l .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-LHB2KHWw2mUJPT5l .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-LHB2KHWw2mUJPT5l .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-LHB2KHWw2mUJPT5l .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-LHB2KHWw2mUJPT5l .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-LHB2KHWw2mUJPT5l .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-LHB2KHWw2mUJPT5l .marker{fill:#333333;stroke:#333333;}#mermaid-svg-LHB2KHWw2mUJPT5l .marker.cross{stroke:#333333;}#mermaid-svg-LHB2KHWw2mUJPT5l svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-LHB2KHWw2mUJPT5l p{margin:0;}#mermaid-svg-LHB2KHWw2mUJPT5l .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-LHB2KHWw2mUJPT5l .cluster-label text{fill:#333;}#mermaid-svg-LHB2KHWw2mUJPT5l .cluster-label span{color:#333;}#mermaid-svg-LHB2KHWw2mUJPT5l .cluster-label span p{background-color:transparent;}#mermaid-svg-LHB2KHWw2mUJPT5l .label text,#mermaid-svg-LHB2KHWw2mUJPT5l span{fill:#333;color:#333;}#mermaid-svg-LHB2KHWw2mUJPT5l .node rect,#mermaid-svg-LHB2KHWw2mUJPT5l .node circle,#mermaid-svg-LHB2KHWw2mUJPT5l .node ellipse,#mermaid-svg-LHB2KHWw2mUJPT5l .node polygon,#mermaid-svg-LHB2KHWw2mUJPT5l .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-LHB2KHWw2mUJPT5l .rough-node .label text,#mermaid-svg-LHB2KHWw2mUJPT5l .node .label text,#mermaid-svg-LHB2KHWw2mUJPT5l .image-shape .label,#mermaid-svg-LHB2KHWw2mUJPT5l .icon-shape .label{text-anchor:middle;}#mermaid-svg-LHB2KHWw2mUJPT5l .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-LHB2KHWw2mUJPT5l .rough-node .label,#mermaid-svg-LHB2KHWw2mUJPT5l .node .label,#mermaid-svg-LHB2KHWw2mUJPT5l .image-shape .label,#mermaid-svg-LHB2KHWw2mUJPT5l .icon-shape .label{text-align:center;}#mermaid-svg-LHB2KHWw2mUJPT5l .node.clickable{cursor:pointer;}#mermaid-svg-LHB2KHWw2mUJPT5l .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-LHB2KHWw2mUJPT5l .arrowheadPath{fill:#333333;}#mermaid-svg-LHB2KHWw2mUJPT5l .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-LHB2KHWw2mUJPT5l .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-LHB2KHWw2mUJPT5l .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-LHB2KHWw2mUJPT5l .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-LHB2KHWw2mUJPT5l .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-LHB2KHWw2mUJPT5l .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-LHB2KHWw2mUJPT5l .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-LHB2KHWw2mUJPT5l .cluster text{fill:#333;}#mermaid-svg-LHB2KHWw2mUJPT5l .cluster span{color:#333;}#mermaid-svg-LHB2KHWw2mUJPT5l div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-LHB2KHWw2mUJPT5l .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-LHB2KHWw2mUJPT5l rect.text{fill:none;stroke-width:0;}#mermaid-svg-LHB2KHWw2mUJPT5l .icon-shape,#mermaid-svg-LHB2KHWw2mUJPT5l .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-LHB2KHWw2mUJPT5l .icon-shape p,#mermaid-svg-LHB2KHWw2mUJPT5l .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-LHB2KHWw2mUJPT5l .icon-shape .label rect,#mermaid-svg-LHB2KHWw2mUJPT5l .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-LHB2KHWw2mUJPT5l .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-LHB2KHWw2mUJPT5l .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-LHB2KHWw2mUJPT5l :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

Tool Call

Final

用户输入

Before Agent

Before Model

Model

After Model

Tool

After Agent

输出

预构建中间件示例

from langchain.agents import create_agent
from langchain.agents.middleware import (
PIIMiddleware,
SummarizationMiddleware,
HumanInTheLoopMiddleware,
)

agent = create_agent(
model="openai:gpt-5.5",
tools=[read_email, send_email],
middleware=[
PIIMiddleware(
"email",
strategy="redact",
apply_to_input=True,
),
SummarizationMiddleware(
model="openai:gpt-5.5-mini",
trigger=("tokens", 6000),
keep=("messages", 20),
),
HumanInTheLoopMiddleware(
interrupt_on={
"send_email": True,
}
),
],
)

注：不同小版本的中间件参数可能变化，生产项目应固定依赖版本，并以对应版本官方 API Reference 为准。

自定义中间件适用逻辑

请求进入
↓
读取用户权限
↓
动态选择可用工具
↓
根据任务难度选择模型
↓
裁剪或摘要历史消息
↓
模型调用
↓
检查工具调用风险
↓
执行 / 拒绝 / 请求人工审批

4.6 Structured Output：结构化输出

自然语言输出很难直接被业务系统可靠解析。LangChain 支持通过 Pydantic、dataclass 或 JSON Schema 约束最终结果。

from pydantic import BaseModel, Field
from langchain.agents import create_agent

class TicketResult(BaseModel):
category: str = Field(description="工单分类")
priority: int = Field(ge=1, le=5)
summary: str
need_human: bool

agent = create_agent(
model="openai:gpt-5.5",
tools=[],
response_format=TicketResult,
)

result = agent.invoke({
"messages": [
{
"role": "user",
"content": "线上支付接口持续返回500错误，影响全部用户。"
}
]
})

ticket = result["structured_response"]
print(ticket.category, ticket.priority)

优势

• 类型安全；
• 自动校验；
• 避免脆弱的正则解析；
• 便于接数据库、API 和消息队列；
• 更适合自动化决策。

实践建议

• Schema 字段不要过多；
• 枚举值应明确；
• 给关键字段加范围约束；
• 允许返回 reason 或 evidence；
• 自动执行前必须进行二次业务校验；
• Schema 变更要进行版本管理。

4.7 Memory：短期记忆与长期记忆

LangChain/LangGraph 将记忆分为两类。

短期记忆

• 作用域：单个 thread；
• 典型内容：对话历史、当前任务状态、工具结果；
• 实现方式：Checkpointer；
• 用途：续聊、暂停恢复、人工介入、故障恢复。

长期记忆

• 作用域：跨 thread；
• 典型内容：用户偏好、稳定事实、历史经验；
• 实现方式：Store；
• 用途：个性化、长期知识、跨会话共享。

#mermaid-svg-40JX4OYEBYMIZmHS{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-40JX4OYEBYMIZmHS .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-40JX4OYEBYMIZmHS .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-40JX4OYEBYMIZmHS .error-icon{fill:#552222;}#mermaid-svg-40JX4OYEBYMIZmHS .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-40JX4OYEBYMIZmHS .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-40JX4OYEBYMIZmHS .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-40JX4OYEBYMIZmHS .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-40JX4OYEBYMIZmHS .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-40JX4OYEBYMIZmHS .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-40JX4OYEBYMIZmHS .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-40JX4OYEBYMIZmHS .marker{fill:#333333;stroke:#333333;}#mermaid-svg-40JX4OYEBYMIZmHS .marker.cross{stroke:#333333;}#mermaid-svg-40JX4OYEBYMIZmHS svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-40JX4OYEBYMIZmHS p{margin:0;}#mermaid-svg-40JX4OYEBYMIZmHS .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-40JX4OYEBYMIZmHS .cluster-label text{fill:#333;}#mermaid-svg-40JX4OYEBYMIZmHS .cluster-label span{color:#333;}#mermaid-svg-40JX4OYEBYMIZmHS .cluster-label span p{background-color:transparent;}#mermaid-svg-40JX4OYEBYMIZmHS .label text,#mermaid-svg-40JX4OYEBYMIZmHS span{fill:#333;color:#333;}#mermaid-svg-40JX4OYEBYMIZmHS .node rect,#mermaid-svg-40JX4OYEBYMIZmHS .node circle,#mermaid-svg-40JX4OYEBYMIZmHS .node ellipse,#mermaid-svg-40JX4OYEBYMIZmHS .node polygon,#mermaid-svg-40JX4OYEBYMIZmHS .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-40JX4OYEBYMIZmHS .rough-node .label text,#mermaid-svg-40JX4OYEBYMIZmHS .node .label text,#mermaid-svg-40JX4OYEBYMIZmHS .image-shape .label,#mermaid-svg-40JX4OYEBYMIZmHS .icon-shape .label{text-anchor:middle;}#mermaid-svg-40JX4OYEBYMIZmHS .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-40JX4OYEBYMIZmHS .rough-node .label,#mermaid-svg-40JX4OYEBYMIZmHS .node .label,#mermaid-svg-40JX4OYEBYMIZmHS .image-shape .label,#mermaid-svg-40JX4OYEBYMIZmHS .icon-shape .label{text-align:center;}#mermaid-svg-40JX4OYEBYMIZmHS .node.clickable{cursor:pointer;}#mermaid-svg-40JX4OYEBYMIZmHS .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-40JX4OYEBYMIZmHS .arrowheadPath{fill:#333333;}#mermaid-svg-40JX4OYEBYMIZmHS .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-40JX4OYEBYMIZmHS .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-40JX4OYEBYMIZmHS .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-40JX4OYEBYMIZmHS .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-40JX4OYEBYMIZmHS .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-40JX4OYEBYMIZmHS .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-40JX4OYEBYMIZmHS .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-40JX4OYEBYMIZmHS .cluster text{fill:#333;}#mermaid-svg-40JX4OYEBYMIZmHS .cluster span{color:#333;}#mermaid-svg-40JX4OYEBYMIZmHS div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-40JX4OYEBYMIZmHS .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-40JX4OYEBYMIZmHS rect.text{fill:none;stroke-width:0;}#mermaid-svg-40JX4OYEBYMIZmHS .icon-shape,#mermaid-svg-40JX4OYEBYMIZmHS .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-40JX4OYEBYMIZmHS .icon-shape p,#mermaid-svg-40JX4OYEBYMIZmHS .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-40JX4OYEBYMIZmHS .icon-shape .label rect,#mermaid-svg-40JX4OYEBYMIZmHS .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-40JX4OYEBYMIZmHS .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-40JX4OYEBYMIZmHS .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-40JX4OYEBYMIZmHS :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

Thread 1

Checkpoint

Thread 2

Checkpoint

Long-term Store

内存示例

from langchain.agents import create_agent
from langgraph.checkpoint.memory import InMemorySaver

checkpointer = InMemorySaver()

agent = create_agent(
model="openai:gpt-5.5",
tools=[],
checkpointer=checkpointer,
)

config = {
"configurable": {
"thread_id": "user-001-session-01"
}
}

agent.invoke(
{"messages": [{"role": "user", "content": "我的项目叫 Atlas。"}]},
config,
)

result = agent.invoke(
{"messages": [{"role": "user", "content": "我的项目叫什么？"}]},
config,
)

InMemorySaver 仅适用于本地测试。生产环境通常使用数据库型 Checkpointer。

长对话治理

对话无限增长会导致：

• token 成本上升；
• 延迟增加；
• 旧信息干扰；
• 超出上下文窗口；
• 模型注意力分散。

常见策略：

保留最近 N 条消息
+ 对较早消息做摘要
+ 将稳定事实写入长期 Store
+ 将大型工具结果存入外部对象存储
+ 只向模型注入当前任务需要的内容

4.8 Retrieval 与 RAG

RAG 通过在推理时检索外部知识，缓解模型知识静态和上下文有限的问题。

标准数据处理流程

#mermaid-svg-o9DLwBxvuAcTiauZ{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-o9DLwBxvuAcTiauZ .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-o9DLwBxvuAcTiauZ .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-o9DLwBxvuAcTiauZ .error-icon{fill:#552222;}#mermaid-svg-o9DLwBxvuAcTiauZ .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-o9DLwBxvuAcTiauZ .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-o9DLwBxvuAcTiauZ .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-o9DLwBxvuAcTiauZ .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-o9DLwBxvuAcTiauZ .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-o9DLwBxvuAcTiauZ .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-o9DLwBxvuAcTiauZ .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-o9DLwBxvuAcTiauZ .marker{fill:#333333;stroke:#333333;}#mermaid-svg-o9DLwBxvuAcTiauZ .marker.cross{stroke:#333333;}#mermaid-svg-o9DLwBxvuAcTiauZ svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-o9DLwBxvuAcTiauZ p{margin:0;}#mermaid-svg-o9DLwBxvuAcTiauZ .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-o9DLwBxvuAcTiauZ .cluster-label text{fill:#333;}#mermaid-svg-o9DLwBxvuAcTiauZ .cluster-label span{color:#333;}#mermaid-svg-o9DLwBxvuAcTiauZ .cluster-label span p{background-color:transparent;}#mermaid-svg-o9DLwBxvuAcTiauZ .label text,#mermaid-svg-o9DLwBxvuAcTiauZ span{fill:#333;color:#333;}#mermaid-svg-o9DLwBxvuAcTiauZ .node rect,#mermaid-svg-o9DLwBxvuAcTiauZ .node circle,#mermaid-svg-o9DLwBxvuAcTiauZ .node ellipse,#mermaid-svg-o9DLwBxvuAcTiauZ .node polygon,#mermaid-svg-o9DLwBxvuAcTiauZ .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-o9DLwBxvuAcTiauZ .rough-node .label text,#mermaid-svg-o9DLwBxvuAcTiauZ .node .label text,#mermaid-svg-o9DLwBxvuAcTiauZ .image-shape .label,#mermaid-svg-o9DLwBxvuAcTiauZ .icon-shape .label{text-anchor:middle;}#mermaid-svg-o9DLwBxvuAcTiauZ .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-o9DLwBxvuAcTiauZ .rough-node .label,#mermaid-svg-o9DLwBxvuAcTiauZ .node .label,#mermaid-svg-o9DLwBxvuAcTiauZ .image-shape .label,#mermaid-svg-o9DLwBxvuAcTiauZ .icon-shape .label{text-align:center;}#mermaid-svg-o9DLwBxvuAcTiauZ .node.clickable{cursor:pointer;}#mermaid-svg-o9DLwBxvuAcTiauZ .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-o9DLwBxvuAcTiauZ .arrowheadPath{fill:#333333;}#mermaid-svg-o9DLwBxvuAcTiauZ .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-o9DLwBxvuAcTiauZ .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-o9DLwBxvuAcTiauZ .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-o9DLwBxvuAcTiauZ .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-o9DLwBxvuAcTiauZ .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-o9DLwBxvuAcTiauZ .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-o9DLwBxvuAcTiauZ .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-o9DLwBxvuAcTiauZ .cluster text{fill:#333;}#mermaid-svg-o9DLwBxvuAcTiauZ .cluster span{color:#333;}#mermaid-svg-o9DLwBxvuAcTiauZ div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-o9DLwBxvuAcTiauZ .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-o9DLwBxvuAcTiauZ rect.text{fill:none;stroke-width:0;}#mermaid-svg-o9DLwBxvuAcTiauZ .icon-shape,#mermaid-svg-o9DLwBxvuAcTiauZ .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-o9DLwBxvuAcTiauZ .icon-shape p,#mermaid-svg-o9DLwBxvuAcTiauZ .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-o9DLwBxvuAcTiauZ .icon-shape .label rect,#mermaid-svg-o9DLwBxvuAcTiauZ .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-o9DLwBxvuAcTiauZ .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-o9DLwBxvuAcTiauZ .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-o9DLwBxvuAcTiauZ :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

原始文档

Document Loader

Text Splitter

Embedding

Vector Store

用户问题

Retriever

相关上下文

LLM / Agent

基于知识的回答

RAG 的三类架构

最小向量检索示例

from langchain_core.documents import Document
from langchain_core.vectorstores import InMemoryVectorStore
from langchain_openai import OpenAIEmbeddings

documents = [
Document(
page_content="LangGraph 提供有状态图编排和持久化。",
metadata={"source": "internal-doc-1"},
),
Document(
page_content="LangSmith 用于追踪和评估 Agent。",
metadata={"source": "internal-doc-2"},
),
]

embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
vector_store = InMemoryVectorStore(embeddings)
vector_store.add_documents(documents)

retriever = vector_store.as_retriever(search_kwargs={"k": 2})
docs = retriever.invoke("哪个组件负责 Agent 追踪？")

for doc in docs:
print(doc.page_content, doc.metadata)

将 Retriever 封装为 Tool

from langchain.tools import tool

@tool
def search_internal_docs(query: str) –> str:
"""检索企业内部技术文档。"""
docs = retriever.invoke(query)
return "\\n\\n".join(
f"[来源: {d.metadata.get('source')}]\\n{d.page_content}"
for d in docs
)

然后将 search_internal_docs 加入 Agent 工具列表，即可构建 Agentic RAG。

RAG 工程重点

4.9 Streaming：流式输出

LangChain 支持：

• Agent 步骤更新；
• 模型 token；
• 工具调用事件；
• 自定义进度；
• 子图事件；
• 多种事件投影。

传统流式模式常见参数：

for chunk in agent.stream(
{
"messages": [
{"role": "user", "content": "查询天气并给出出行建议。"}
]
},
stream_mode="updates",
):
print(chunk)

新版应用可优先使用 Event Streaming，将 messages、values、tool calls、subgraphs 等投影视为相互独立的事件流。

流式输出的价值

• 降低用户感知延迟；
• 展示工具调用进度；
• 显示多步骤任务当前状态；
• 支持取消；
• 支持前端逐步渲染；
• 便于观察 Agent 卡在哪一步。

4.10 Runtime 与 Context Engineering

一个可靠的 Agent 不仅依赖 Prompt，更依赖“何时向模型提供什么上下文”。

LangChain 将上下文大体分为：

Context Engineering 的控制对象包括：

• System Prompt；
• Messages；
• Tools；
• Model；
• Response Format；
• 检索结果；
• 用户权限；
• Token 预算。

示例策略

普通用户
→ 只开放查询工具
→ 使用低成本模型
→ 输出简洁结果

管理员
→ 开放查询和修改工具
→ 写操作要求人工审批
→ 记录完整审计信息

长对话
→ 摘要早期历史
→ 保留最近消息
→ 注入长期偏好

4.11 MCP 集成

Model Context Protocol（MCP）用于标准化模型应用与工具、资源和外部上下文的连接方式。

LangChain 可通过 langchain-mcp-adapters 接入 MCP Server。

pip install -U langchain-mcp-adapters

MCP 的价值：

• 工具接口标准化；
• 一个 MCP Server 可被多个 Agent 客户端复用；
• 降低 SaaS、数据库和本地工具的集成成本；
• 将工具实现与 Agent 编排解耦。

需要注意：

• 默认会话是否有状态；
• MCP Server 的权限边界；
• 工具输入校验；
• 网络超时；
• 远程代码和文件访问风险；
• 多 Server 工具重名。

5. LangGraph：复杂 Agent 的底层运行时

LangGraph 用状态图描述工作流：

• State：共享状态；
• Node：计算节点；
• Edge：固定边；
• Conditional Edge：条件分支；
• START / END：入口和结束；
• Checkpointer：状态快照；
• Store：长期记忆；
• Interrupt：暂停并等待人工输入；
• Subgraph：子图和多 Agent 模块。

最小状态图示例

from langgraph.graph import StateGraph, MessagesState, START, END

def answer_node(state: MessagesState):
return {
"messages": [
{"role": "ai", "content": "hello world"}
]
}

builder = StateGraph(MessagesState)
builder.add_node("answer", answer_node)
builder.add_edge(START, "answer")
builder.add_edge("answer", END)

graph = builder.compile()

result = graph.invoke({
"messages": [
{"role": "user", "content": "hi"}
]
})

条件工作流示意

#mermaid-svg-okcb1m0zeKYrSoCn{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-okcb1m0zeKYrSoCn .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-okcb1m0zeKYrSoCn .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-okcb1m0zeKYrSoCn .error-icon{fill:#552222;}#mermaid-svg-okcb1m0zeKYrSoCn .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-okcb1m0zeKYrSoCn .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-okcb1m0zeKYrSoCn .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-okcb1m0zeKYrSoCn .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-okcb1m0zeKYrSoCn .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-okcb1m0zeKYrSoCn .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-okcb1m0zeKYrSoCn .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-okcb1m0zeKYrSoCn .marker{fill:#333333;stroke:#333333;}#mermaid-svg-okcb1m0zeKYrSoCn .marker.cross{stroke:#333333;}#mermaid-svg-okcb1m0zeKYrSoCn svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-okcb1m0zeKYrSoCn p{margin:0;}#mermaid-svg-okcb1m0zeKYrSoCn .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-okcb1m0zeKYrSoCn .cluster-label text{fill:#333;}#mermaid-svg-okcb1m0zeKYrSoCn .cluster-label span{color:#333;}#mermaid-svg-okcb1m0zeKYrSoCn .cluster-label span p{background-color:transparent;}#mermaid-svg-okcb1m0zeKYrSoCn .label text,#mermaid-svg-okcb1m0zeKYrSoCn span{fill:#333;color:#333;}#mermaid-svg-okcb1m0zeKYrSoCn .node rect,#mermaid-svg-okcb1m0zeKYrSoCn .node circle,#mermaid-svg-okcb1m0zeKYrSoCn .node ellipse,#mermaid-svg-okcb1m0zeKYrSoCn .node polygon,#mermaid-svg-okcb1m0zeKYrSoCn .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-okcb1m0zeKYrSoCn .rough-node .label text,#mermaid-svg-okcb1m0zeKYrSoCn .node .label text,#mermaid-svg-okcb1m0zeKYrSoCn .image-shape .label,#mermaid-svg-okcb1m0zeKYrSoCn .icon-shape .label{text-anchor:middle;}#mermaid-svg-okcb1m0zeKYrSoCn .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-okcb1m0zeKYrSoCn .rough-node .label,#mermaid-svg-okcb1m0zeKYrSoCn .node .label,#mermaid-svg-okcb1m0zeKYrSoCn .image-shape .label,#mermaid-svg-okcb1m0zeKYrSoCn .icon-shape .label{text-align:center;}#mermaid-svg-okcb1m0zeKYrSoCn .node.clickable{cursor:pointer;}#mermaid-svg-okcb1m0zeKYrSoCn .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-okcb1m0zeKYrSoCn .arrowheadPath{fill:#333333;}#mermaid-svg-okcb1m0zeKYrSoCn .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-okcb1m0zeKYrSoCn .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-okcb1m0zeKYrSoCn .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-okcb1m0zeKYrSoCn .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-okcb1m0zeKYrSoCn .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-okcb1m0zeKYrSoCn .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-okcb1m0zeKYrSoCn .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-okcb1m0zeKYrSoCn .cluster text{fill:#333;}#mermaid-svg-okcb1m0zeKYrSoCn .cluster span{color:#333;}#mermaid-svg-okcb1m0zeKYrSoCn div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-okcb1m0zeKYrSoCn .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-okcb1m0zeKYrSoCn rect.text{fill:none;stroke-width:0;}#mermaid-svg-okcb1m0zeKYrSoCn .icon-shape,#mermaid-svg-okcb1m0zeKYrSoCn .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-okcb1m0zeKYrSoCn .icon-shape p,#mermaid-svg-okcb1m0zeKYrSoCn .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-okcb1m0zeKYrSoCn .icon-shape .label rect,#mermaid-svg-okcb1m0zeKYrSoCn .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-okcb1m0zeKYrSoCn .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-okcb1m0zeKYrSoCn .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-okcb1m0zeKYrSoCn :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

是

否

否

是

是

否

START

任务解析

是否需要检索

知识库检索

模型生成

证据是否充分

Web/数据库工具

高风险操作

人工审批

执行动作

最终回答

END

LangGraph 的关键优势

• 执行过程可恢复；
• 支持循环和分支；
• 支持长时间运行任务；
• 每一步状态可观测；
• 可以暂停并修改状态；
• 支持子图和多 Agent；
• 可实现确定性工作流与模型决策混合。

6. 一个完整 Agent 应用示例

下面示例包含：

• Tool；
• Agent；
• Structured Output；
• Memory；
• Streaming。

from pydantic import BaseModel, Field

from langchain.agents import create_agent
from langchain.tools import tool
from langgraph.checkpoint.memory import InMemorySaver

class FinalAnswer(BaseModel):
answer: str
used_tools: list[str] = Field(default_factory=list)
confidence: float = Field(ge=0.0, le=1.0)

@tool
def search_product_manual(question: str) –> str:
"""查询产品使用手册。"""
# 生产环境替换为向量库检索
if "重置" in question:
return "按住 RESET 键 8 秒，指示灯闪烁后松开。"
return "未检索到相关内容。"

checkpointer = InMemorySaver()

agent = create_agent(
model="openai:gpt-5.5",
tools=[search_product_manual],
system_prompt=(
"你是产品技术支持助手。"
"涉及产品操作步骤时必须先查询手册。"
"不得编造手册中不存在的步骤。"
),
response_format=FinalAnswer,
checkpointer=checkpointer,
)

config = {
"configurable": {
"thread_id": "support-session-001"
}
}

for event in agent.stream(
{
"messages": [
{
"role": "user",
"content": "设备如何恢复出厂设置？"
}
]
},
config,
stream_mode="updates",
):
print(event)

7. 企业级推荐架构

#mermaid-svg-pBjzEcNAfGARrDaU{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-pBjzEcNAfGARrDaU .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-pBjzEcNAfGARrDaU .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-pBjzEcNAfGARrDaU .error-icon{fill:#552222;}#mermaid-svg-pBjzEcNAfGARrDaU .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-pBjzEcNAfGARrDaU .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-pBjzEcNAfGARrDaU .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-pBjzEcNAfGARrDaU .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-pBjzEcNAfGARrDaU .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-pBjzEcNAfGARrDaU .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-pBjzEcNAfGARrDaU .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-pBjzEcNAfGARrDaU .marker{fill:#333333;stroke:#333333;}#mermaid-svg-pBjzEcNAfGARrDaU .marker.cross{stroke:#333333;}#mermaid-svg-pBjzEcNAfGARrDaU svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-pBjzEcNAfGARrDaU p{margin:0;}#mermaid-svg-pBjzEcNAfGARrDaU .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-pBjzEcNAfGARrDaU .cluster-label text{fill:#333;}#mermaid-svg-pBjzEcNAfGARrDaU .cluster-label span{color:#333;}#mermaid-svg-pBjzEcNAfGARrDaU .cluster-label span p{background-color:transparent;}#mermaid-svg-pBjzEcNAfGARrDaU .label text,#mermaid-svg-pBjzEcNAfGARrDaU span{fill:#333;color:#333;}#mermaid-svg-pBjzEcNAfGARrDaU .node rect,#mermaid-svg-pBjzEcNAfGARrDaU .node circle,#mermaid-svg-pBjzEcNAfGARrDaU .node ellipse,#mermaid-svg-pBjzEcNAfGARrDaU .node polygon,#mermaid-svg-pBjzEcNAfGARrDaU .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-pBjzEcNAfGARrDaU .rough-node .label text,#mermaid-svg-pBjzEcNAfGARrDaU .node .label text,#mermaid-svg-pBjzEcNAfGARrDaU .image-shape .label,#mermaid-svg-pBjzEcNAfGARrDaU .icon-shape .label{text-anchor:middle;}#mermaid-svg-pBjzEcNAfGARrDaU .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-pBjzEcNAfGARrDaU .rough-node .label,#mermaid-svg-pBjzEcNAfGARrDaU .node .label,#mermaid-svg-pBjzEcNAfGARrDaU .image-shape .label,#mermaid-svg-pBjzEcNAfGARrDaU .icon-shape .label{text-align:center;}#mermaid-svg-pBjzEcNAfGARrDaU .node.clickable{cursor:pointer;}#mermaid-svg-pBjzEcNAfGARrDaU .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-pBjzEcNAfGARrDaU .arrowheadPath{fill:#333333;}#mermaid-svg-pBjzEcNAfGARrDaU .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-pBjzEcNAfGARrDaU .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-pBjzEcNAfGARrDaU .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-pBjzEcNAfGARrDaU .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-pBjzEcNAfGARrDaU .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-pBjzEcNAfGARrDaU .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-pBjzEcNAfGARrDaU .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-pBjzEcNAfGARrDaU .cluster text{fill:#333;}#mermaid-svg-pBjzEcNAfGARrDaU .cluster span{color:#333;}#mermaid-svg-pBjzEcNAfGARrDaU div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-pBjzEcNAfGARrDaU .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-pBjzEcNAfGARrDaU rect.text{fill:none;stroke-width:0;}#mermaid-svg-pBjzEcNAfGARrDaU .icon-shape,#mermaid-svg-pBjzEcNAfGARrDaU .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-pBjzEcNAfGARrDaU .icon-shape p,#mermaid-svg-pBjzEcNAfGARrDaU .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-pBjzEcNAfGARrDaU .icon-shape .label rect,#mermaid-svg-pBjzEcNAfGARrDaU .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-pBjzEcNAfGARrDaU .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-pBjzEcNAfGARrDaU .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-pBjzEcNAfGARrDaU :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

Web / App / API

API Gateway认证、限流、审计

LangChain / LangGraph

Middleware权限、摘要、路由、Guardrail

LLM Gateway模型路由、重试、缓存

Tool Service搜索、DB、SaaS、业务动作

RAG ServiceLoader、Index、Retriever、Reranker

PersistenceCheckpoint、Store

LangSmith / OTelTrace、Eval、Metrics

Queue / Worker长任务、异步任务

模块职责

8. 项目目录建议

langchain_agent_project/
├── app/
│ ├── api/
│ │ ├── routes.py
│ │ └── schemas.py
│ ├── agents/
│ │ ├── support_agent.py
│ │ └── research_agent.py
│ ├── graphs/
│ │ ├── support_graph.py
│ │ └── states.py
│ ├── tools/
│ │ ├── search_tools.py
│ │ ├── database_tools.py
│ │ └── action_tools.py
│ ├── middleware/
│ │ ├── auth.py
│ │ ├── model_router.py
│ │ └── guardrails.py
│ ├── rag/
│ │ ├── loaders.py
│ │ ├── indexer.py
│ │ ├── retriever.py
│ │ └── reranker.py
│ ├── memory/
│ │ ├── checkpointer.py
│ │ └── store.py
│ ├── prompts/
│ │ └── system_prompts.py
│ ├── observability/
│ │ ├── tracing.py
│ │ └── metrics.py
│ ├── config.py
│ └── main.py
├── tests/
│ ├── unit/
│ ├── integration/
│ ├── evals/
│ └── datasets/
├── scripts/
│ ├── build_index.py
│ └── run_evaluation.py
├── .env.example
├── pyproject.toml
├── Dockerfile
└── README.md

9. 安装与环境配置

9.1 基础安装

python -m venv .venv
source .venv/bin/activate

pip install -U langchain
pip install -U langchain-openai
pip install -U langgraph

LangChain 当前要求 Python 3.10+。

9.2 环境变量

export OPENAI_API_KEY="your-api-key"

# 可选：LangSmith Trace
export LANGSMITH_TRACING="true"
export LANGSMITH_API_KEY="your-langsmith-api-key"
export LANGSMITH_PROJECT="langchain-demo"

9.3 依赖固定

推荐使用：

pyproject.toml + uv.lock

或：

requirements.in + requirements.txt

生产环境不要长期使用无限制的 pip install -U，而应：

10. 可靠性设计

10.1 超时与重试

工具调用应至少包含：

连接超时
+ 读取超时
+ 有限重试
+ 指数退避
+ 熔断
+ 幂等键

不要让 Agent 无限重试。

10.2 停止条件

需要设置：

• 最大模型调用次数；
• 最大工具调用次数；
• 最大总运行时间；
• 最大 token；
• 最大成本；
• 最大递归深度；
• 工具连续失败阈值。

10.3 高风险工具

高风险工具包括：

• 转账；
• 删除数据；
• 发送外部邮件；
• 修改权限；
• 下发生产指令；
• 控制物理设备。

建议执行链：

模型提出动作
↓
参数 Schema 校验
↓
用户权限校验
↓
业务规则校验
↓
人工审批
↓
执行工具
↓
审计记录

10.4 Prompt Injection 防御

外部文档、网页和工具返回值都应视为不可信输入。

防御措施：

11. 可观测性与评估

Agent 不能只依靠传统接口成功率来评估，还应观察：

11.1 Trace 维度

• 用户请求；
• 每次模型调用；
• Prompt 和 Messages；
• 工具调用参数；
• 工具结果；
• 检索结果；
• Token；
• 延迟；
• 错误；
• 最终输出；
• 人工审批过程。

11.2 评估指标

11.3 测试层次

单元测试
→ Tool 函数、Parser、权限逻辑

集成测试
→ 模型 + 工具 + 数据库

轨迹测试
→ Agent 是否走正确步骤

离线评估
→ 固定数据集批量回归

在线评估
→ 用户反馈、抽样审核、A/B 测试

12. 性能和成本优化

12.1 模型路由

简单分类 / 提取
→ 小模型

复杂规划 / 多工具推理
→ 强模型

代码、数学或视觉任务
→ 专用模型

12.2 上下文优化

• 删除无关历史；
• 摘要旧消息；
• 检索 Top-K 不宜过大；
• 大型文档使用引用而不是全文注入；
• 工具描述保持清晰简短；
• 只暴露当前阶段需要的工具；
• 将中间数据放外部存储；
• 使用结构化状态代替重复自然语言。

12.3 缓存

可缓存：

• Embedding；
• 文档解析；
• 检索结果；
• 确定性模型结果；
• 工具查询；
• Prompt 模板编译结果。

不可盲目缓存：

• 实时价格；
• 用户权限；
• 订单状态；
• 高频变化数据；
• 含敏感数据的结果。

13. LangChain 的优势与局限

13.1 优势

13.2 局限

14. 与其他框架的简要对比

选择原则：

只调用一次模型
→ 原生 SDK

需要统一模型接口和几个工具
→ LangChain

复杂状态机、循环、审批、恢复
→ LangGraph

以文档检索为核心
→ LangChain / LlamaIndex / Haystack

多角色协作原型
→ LangGraph / AutoGen / CrewAI

15. 从旧版 LangChain 迁移的建议

旧版教程中常见：

• LLMChain；
• SequentialChain；
• 大量 langchain.chains；
• initialize_agent；
• 旧式 Memory 类；
• langchain-community 中的集中式集成。

新项目建议：

16. 典型落地方案

16.1 企业知识库助手

文档采集
→ 清洗与权限标签
→ Chunk
→ Embedding
→ Vector DB
→ Hybrid Retrieval
→ Rerank
→ Agent / 2-Step RAG
→ 引用输出
→ LangSmith 评估

16.2 数据分析 Agent

用户问题
→ 意图识别
→ 获取数据库 Schema
→ 生成只读 SQL
→ SQL 安全校验
→ 查询
→ Python 统计
→ 图表与结论
→ 审计

16.3 运维诊断 Agent

告警
→ 查询日志
→ 查询指标
→ 查询部署变更
→ 形成根因假设
→ 执行只读诊断
→ 给出修复建议
→ 人工审批
→ 执行变更

16.4 机器人任务 Agent

自然语言任务
→ 高层任务分解
→ 环境状态查询
→ 导航 / 感知 / 操作工具
→ 安全约束检查
→ 下发技能
→ 获取执行反馈
→ 失败恢复或重新规划

机器人场景中，LangChain/LangGraph 更适合高层任务编排，不应直接承担硬实时运动控制。

17. 生产上线检查表

架构

• Agent 和确定性工作流边界清晰；
• 关键流程是否需要 LangGraph；
• 长任务是否支持持久化和恢复；
• 多租户状态是否隔离。

模型

• 模型版本已固定；
• 超时和重试已配置；
• 模型路由和降级已设计；
• Token 和成本有上限。

Tool

• 输入 Schema 完整；
• 写操作需要审批；
• 工具具备幂等性；
• 外部 API 有超时、重试和熔断；
• 工具结果不会泄露敏感信息。

RAG

• 文档权限过滤；
• 召回率评估；
• 引用可追溯；
• 数据更新和删除机制；
• Prompt Injection 防御。

Memory

• Thread ID 设计；
• Checkpoint 生命周期；
• 长期记忆写入规则；
• 用户可删除记忆；
• 敏感信息存储策略。

Observability

• Trace 已接入；
• 关键指标已监控；
• 有离线评估集；
• 依赖升级前有回归测试；
• 故障轨迹可重放。

18. 总结

LangChain 的核心价值不是“替代模型 SDK”，而是提供一套构建 LLM/Agent 应用的标准工程组件：

模型抽象
+ 消息协议
+ 工具调用
+ Agent Harness
+ Middleware
+ RAG
+ 结构化输出
+ 流式事件
+ 记忆
+ LangGraph 持久化运行时
+ LangSmith 可观测与评估

对于 2026 年的新项目，推荐的决策方式是：

19. 官方参考资料

由于 LangChain 更新较快，代码上线前应根据锁定的包版本核对对应 API Reference。