LangChain 学习笔记 Skill

快速访问 LangChain 框架的学习资料、代码示例和最佳实践。

快速导航

核心组件 (Core Components)

• 01-models.md - 模型使用 (Chat、Completion、Streaming)
• 02-messages.md - 消息类型 (Human、AI、System、Tool、Custom)
• 03-tools.md - 工具定义和使用
• 04-memory.md - 短期记忆管理
• [05-structured-output.md - 结构化输出
• 06-streaming.md - 流式输出
• 07-agents.md - Agent 基础

中间件 (Middleware)

• 01-built-in.md - 内置中间件
• 02-custom.md - 自定义中间件

高级用法 (Advanced Usage)

• 01-guardrails.md - 输出验证和安全
• 02-runtime.md - 运行时配置
• 03-context-engineering.md - 提示工程
• 04-mcp.md - MCP 协议
• 05-human-in-the-loop.md - 人机协作
• 06-retrieval.md - RAG 检索增强生成
• 07-long-term-memory.md - 长期记忆存储

Multi-agent 模式

• 01-subagents.md - Supervisor 模式
• 02-handoffs.md - Handoff 模式
• 03-skills.md - Skills 模式
• 04-router.md - Router 模式
• 05-custom-workflow.md - 自定义工作流

集成笔记 (Integrations Notes)

• chroma.md - Chroma 向量数据库集成

使用指南

查找概念

使用 Grep 工具搜索特定概念：

# 搜索关键词
grep -r "关键词" langchain_notes/

# 示例：搜索 RAG 相关内容
grep -r "RAG\|retrieval\|向量存储" langchain_notes/

查找代码示例

笔记中包含大量可运行的代码示例，按以下格式组织：

• 概述 → 核心概念
• 基础实现 → 简单示例
• 完整实现 → 生产就绪代码
• 最佳实践 → 推荐做法

风格规范

所有笔记遵循以下风格：

• 简洁优先 - 避免冗余,突出重点
• 结构清晰 - 层级分明,易于查找
• 代码优先 - 用代码说明概念
• 格式统一 - 使用表格、列表、加粗

常见任务

创建 Agent

参考：07-agents.md

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

@tool
def my_tool(input: str) -> str:
    """工具描述."""
    return f"处理: {input}"

agent = create_agent(
    model="claude-sonnet-4-5-20250929",
    tools=[my_tool],
    system_prompt="你是一个有用的助手"
)

实现 RAG

参考：06-retrieval.md

2-Step RAG (简单快速):

@dynamic_prompt
def prompt_with_context(request: ModelRequest) -> str:
    last_query = request.state["messages"][-1].text
    docs = vector_store.similarity_search(last_query)
    return f"Context: {docs}"

Agentic RAG (灵活):

@tool
def retrieve_context(query: str):
    """检索信息."""
    return vector_store.similarity_search(query)

Multi-agent 模式

参考：multi-agent/

模式	适用场景	文件
Supervisor	中央协调多个子 Agent	01-subagents.md
Handoff	Agent 间协作转移	02-handoffs.md
Skills	专业化能力按需加载	03-skills.md
Router	分类路由到专门 Agent	04-router.md
Custom Workflow	完全自定义执行流程	05-custom-workflow.md

记忆管理

参考：07-long-term-memory.md

读取长期记忆:

@tool
def get_user_info(runtime: ToolRuntime[Context]) -> str:
    store = runtime.store
    user_id = runtime.context.user_id
    return store.get(("users",), user_id)

写入长期记忆:

store.put(("users",), user_id, {"name": "John"})

搜索技巧

按主题搜索

# RAG 相关
grep -r "RAG\|检索\|向量存储\|similarity_search" langchain_notes/

# Agent 相关
grep -r "Agent\|create_agent\|tool" langchain_notes/

# Multi-agent 相关
grep -r "Supervisor\|Handoff\|Router\|Orchestrator" langchain_notes/

# 记忆相关
grep -r "memory\|store\|checkpointer" langchain_notes/

按文件类型搜索

# 查找所有 Markdown 文件
find langchain_notes/ -name "*.md"

# 查找特定目录
ls langchain_notes/core-components/
ls langchain_notes/advanced-usage/

参考资料位置

• 笔记根目录:

  langchain_notes/

• 集成笔记:

  integrations_notes/

• 官方文档:

  oss_python_docs/

• 示例代码: 每个笔记文件中的代码块

官方文档结构

当笔记中找不到相关内容时，从

oss_python_docs/

中查找官方文档。

一级目录结构

oss_python_docs/
├── langchain/          # LangChain 核心文档
├── langgraph/          # LangGraph 工作流文档
├── integrations/       # 第三方集成文档
│   ├── vectorstores/   # 向量存储集成 (Chroma, FAISS, Pinecone 等)
│   ├── retrievers/     # 检索器集成
│   └── ...
└── ...

搜索官方文档

# 搜索集成文档
grep -r "chroma\|faiss\|pinecone" oss_python_docs/integrations/vectorstores/

# 搜索核心概念
grep -r "agent\|retrieval\|memory" oss_python_docs/langchain/

# 查找特定文件
find oss_python_docs/ -name "*.md" | grep -i "rag"

注意: 官方文档为英文原始文档，用于深入查阅。笔记是提取的精华内容。

注意事项

1. 环境配置:

   conda activate ai_tools
   

2. 代码优先: 所有示例都包含完整可运行的代码

3. 中英混合: 概念和描述使用中文,代码和 API 使用英文

4. 状态标记: 每个笔记底部标记完成状态

获取帮助

当用户询问以下问题时使用此 Skill：

• "LangChain 如何实现 X?"
• "Agent/RAG/向量存储怎么用?"
• "有什么最佳实践?"
• "给我看代码示例"
• "Multi-agent 模式有哪些?"

搜索笔记目录找到相关文件,提取关键信息和代码示例。