组件架构 (Component architecture)
LangChain 的强大能力源于其各大核心组件如何协同工作以构建复杂的 AI 应用。本篇通过架构图展示不同组件之间的流转关系。
核心组件生态全景 (Core component ecosystem)
下图展示了 LangChain 各大主要组件如何连接组合形成完整的 AI 应用程序：
组件之间的连接层次 (How components connect)
每个组件层次均在上层基础之上层层递进：
- 输入处理 (Input processing) – 将原始多源非结构化数据转化为标准化的结构化文档
- 嵌入与存储 (Embedding & storage) – 将文本转化为语义可搜索的高维向量表示并持久化
- 检索体系 (Retrieval) – 基于用户自然语言查询精准命中高价值相关片段
- 生成体系 (Generation) – 由大模型融合上下文进行推理思考，并按需调用外部工具
- 系统编排 (Orchestration) – 通过智能体运行循环与记忆系统统一调度各组件
组件分类一览 (Component categories)
LangChain 将底层组件划分为以下核心类别：
| 组件类别 | 核心职责 | 代表组件 | 典型应用场景 |
|---|---|---|---|
| 模型 (Models) | AI 推理与文本生成 | 聊天模型、LLM、嵌入模型 | 文本生成、逻辑推理、语义理解 |
| 工具 (Tools) | 外部系统连接能力 | 外部 API、数据库连接器、代码执行 | 实时 Web 检索、业务系统数据读写、数学运算 |
| 智能体 (Agents) | 流程编排与自主决策 | ReAct 智能体、工具调用智能体 | 非确定性复杂工作流、自主决策 |
| 记忆系统 (Memory) | 上下文维持与状态持久化 | 消息历史、自定义业务状态 | 多轮对话、有状态跨会话交互 |
| 检索器 (Retrievers) | 权威信息获取通道 | 向量检索器、网络检索器、混合检索 | RAG、企业知识库检索 |
| 文档处理 (Document processing) | 数据摄取与切分清洗 | 加载器、切分器、转换器 | PDF 财报解析、网页抓取清洗 |
| 向量数据库 (Vector Stores) | 语义存储与相似度查询 | Chroma、Pinecone、MemoryVectorStore | 相似度匹配、嵌入向量高速索引 |