LangChain、LangGraph与RAG

LangChain

LangChain 是目前构建 LLM 应用最主流的框架之一，围绕可组合组件构建：

| 模块 | 说明 | | --- | --- | | Models | 对接各类 LLM 和 Embedding 模型 | | Prompts | 提示词模板系统，支持动态变量、Few-shot 示例 | | Chains | 通过 LCEL 声明式地串联组件，支持流式、异步和批处理 | | Agents | 让 LLM 自主决定使用哪些工具、按什么顺序执行 | | Memory | 短期记忆（对话历史）+ 长期记忆（向量存储持久化） | | Tools | 外部能力接入（搜索、数据库、API 调用等） |

LCEL 示例

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

prompt = ChatPromptTemplate.from_template("用{language}解释{topic}")
llm = ChatOpenAI(model="gpt-4")
chain = prompt | llm
result = chain.invoke({"language": "中文", "topic": "量子计算"})

LangGraph

LangGraph 是 LangChain 团队推出的有状态、有向图风格的 Agent 编排框架。支持循环、分支、回溯的流程图。

核心概念

• State（状态）：图的全局共享状态，每个节点读取和更新它
• Node（节点）：执行具体任务的函数
• Edge（边）：定义节点间的流转关系，支持条件边
• Checkpoint：自动持久化图状态，支持中断恢复和时间旅行

from langgraph.graph import StateGraph, END
from typing import TypedDict

class GraphState(TypedDict):
    question: str
    answer: str

def generate(state):
    state["answer"] = "..."
    return state

workflow = StateGraph(GraphState)
workflow.add_node("generate", generate)
workflow.set_entry_point("generate")
app = workflow.compile()

RAG（检索增强生成）

核心思想：回答之前先查资料。

用户提问 → 检索器从知识库中找出相关片段 → 把问题 + 片段一起喂给 LLM → 生成回答

| 方式 | 类比 | | --- | --- | | 纯 LLM | 闭卷考试，全靠记忆 | | RAG | 开卷考试，先翻书再作答 |

标准 RAG 管线

1. 文档加载 → 切分 → 向量化 → 存入向量数据库
2. 用户提问 → 问题向量化 → 相似度检索 → top_k_chunks
3. 把检索到的内容拼进 Prompt → LLM 生成回答

三者关系

RAG 是一种架构思想（先检索再生成），LangChain 是实现 RAG 的工具，LangGraph 是把复杂 RAG 流程编排得更灵活的状态机。