布吉岛

组件架构

返回

LangChain 的强大之处在于其组件如何协同工作以创建复杂的 AI 应用。本页提供了展示不同组件之间关系的图表。

核心组件生态系统

下图展示了 LangChain 的主要组件如何连接形成完整的 AI 应用：

graph TD
    %% Input processing
    subgraph "📥 Input processing"
        A[Text input] --> B[Document loaders]
        B --> C[Text splitters]
        C --> D[Documents]
    end

    %% Embedding & storage
    subgraph "🔢 Embedding & storage"
        D --> E[Embedding models]
        E --> F[Vectors]
        F --> G[(Vector stores)]
    end

    %% Retrieval
    subgraph "🔍 Retrieval"
        H[User Query] --> I[Embedding models]
        I --> J[Query vector]
        J --> K[Retrievers]
        K --> G
        G --> L[Relevant context]
    end

    %% Generation
    subgraph "🤖 Generation"
        M[Chat models] --> N[Tools]
        N --> O[Tool results]
        O --> M
        L --> M
        M --> P[AI response]
    end

    %% Orchestration
    subgraph "🎯 Orchestration"
        Q[Agents] --> M
        Q --> N
        Q --> K
        Q --> R[Memory]
    end

    classDef trigger fill:#DCFCE7,stroke:#16A34A,stroke-width:2px,color:#14532D
    classDef process fill:#DBEAFE,stroke:#2563EB,stroke-width:2px,color:#1E3A8A
    classDef output fill:#F3E8FF,stroke:#9333EA,stroke-width:2px,color:#581C87
    classDef neutral fill:#F3F4F6,stroke:#9CA3AF,stroke-width:2px,color:#374151

    class A,H trigger
    class B,C,E,I,K,M,N,Q process
    class D,F,J,L,O,P,R neutral
    class G output

组件如何连接

每个组件层都建立在前一层的基础上：

  1. 输入处理（Input processing） – 将原始数据转换为结构化文档
  2. 嵌入与存储（Embedding & storage） – 将文本转换为可搜索的向量表示
  3. 检索（Retrieval） – 根据用户查询查找相关信息
  4. 生成（Generation） – 使用 AI 模型创建响应，可选择使用工具
  5. 编排（Orchestration） – 通过 agent 和记忆系统协调一切

组件类别

LangChain 将组件组织为以下主要类别：

类别目的关键组件用例
模型（Models）AI 推理和生成Chat models、LLMs、Embedding models文本生成、推理、语义理解
工具（Tools）外部能力APIs、数据库等网页搜索、数据访问、计算
Agent编排和推理ReAct agents、tool calling agents非确定性工作流、决策制定
记忆（Memory）上下文保留消息历史、自定义状态对话、有状态的交互
检索器（Retrievers）信息访问向量检索器、网页检索器RAG、知识库搜索
文档处理（Document processing）数据摄入Loaders、splitters、transformersPDF 处理、网页抓取
向量存储（Vector Stores）语义搜索Chroma、Pinecone、FAISS相似度搜索、嵌入存储

常见模式

RAG（检索增强生成）

graph LR
    A[用户问题] --> B[检索器]
    B --> C[相关文档]
    C --> D[Chat model]
    A --> D
    D --> E[知情的响应]

    classDef trigger fill:#DCFCE7,stroke:#16A34A,stroke-width:2px,color:#14532D
    classDef process fill:#DBEAFE,stroke:#2563EB,stroke-width:2px,color:#1E3A8A
    classDef neutral fill:#F3F4F6,stroke:#9CA3AF,stroke-width:2px,color:#374151

    class A trigger
    class B,D process
    class C,E neutral

带工具的 Agent

graph LR
    A[用户请求] --> B[Agent]
    B --> C{需要工具？}
    C -->|是 | D[调用工具]
    D --> E[工具结果]
    E --> B
    C -->|否 | F[最终答案]

    classDef trigger fill:#DCFCE7,stroke:#16A34A,stroke-width:2px,color:#14532D
    classDef process fill:#DBEAFE,stroke:#2563EB,stroke-width:2px,color:#1E3A8A
    classDef decision fill:#FEF3C7,stroke:#F59E0B,stroke-width:2px,color:#78350F
    classDef neutral fill:#F3F4F6,stroke:#9CA3AF,stroke-width:2px,color:#374151

    class A trigger
    class B,D process
    class C decision
    class E,F neutral

多 Agent 系统

graph LR
    A[复杂任务] --> B[监督 Agent]
    B --> C[专业 Agent 1]
    B --> D[专业 Agent 2]
    C --> E[结果]
    D --> E
    E --> B
    B --> F[协调响应]

    classDef trigger fill:#DCFCE7,stroke:#16A34A,stroke-width:2px,color:#14532D
    classDef process fill:#DBEAFE,stroke:#2563EB,stroke-width:2px,color:#1E3A8A
    classDef neutral fill:#F3F4F6,stroke:#9CA3AF,stroke-width:2px,color:#374151

    class A trigger
    class B,C,D process
    class E,F neutral

了解更多