说起来，

学习项目 Github 地址:

智扫通 Agent 地址:

LangChain 简介

LangChain 由 Harrison Chase 创建于2022年10月。它是围绕LLMs建立的一个框架。

LangChain自身并不开发LLMs，它的主要理念是为各种LLMs实现通用的接口。把LLMs相关的组件“链接”在一起,简化LLMs应用的开发难度,方便开发者快速地开发复杂的LLMs应用。

LangChain是后续学习RAG开发的主力框架

安装

本质上是 Python 的 SDK

从一行命令来看，pip install langchain langchain-community langchain-ollama dashscope chromadb

• langchain:主要包
• langchain-community：社区支持包。提供了更多的第三方模型调用
• langchain-ollama：0llama支持包，支持调用ollama托管部署的本地模型
• dashscope：阿里云通义千问的Python SDK
• chromadb：轻量向量数据库

RAG 介绍

你是否遇到过这些问题？

• 知识过时:  LLMs训练数据截止到特定时间点。无法获取最新信息，导致回答滞后或错误。例如当前股市动态、新闻事件等时效性强信息无法准确回答。
• 领域限制:  公开训练数据难以覆盖垂直领域专业知识。比如医疗诊断、公司内部文档等私有数据库内容无法被正确理解和回答。怎么说呢，
• 幻觉问题:  模型可能生成听似合理但错误或虚构的信息。比如查询某产品规格时可能编造不存在的功能参数。说起来，
• 安全风险:  公共大模型容易泄露机密信息或违反隐私政策。比如处理公司内部文件时可能意外透露敏感客户数据。
这些痛点正是RAG技术要解决的主要问题！基于实时可靠数据源生成准确响应，同时保护专有知识产权和隐私安全。

RAG方法原理：

RAG即检索提高生成 。为大模型提供了从特定数据源检索到的信息，以此来修正和补充生成答案。 能够为一个公式：RAG = 检索技术 + LLM 提示 .

向量存储与相似度匹配原理

RAG流程中。向量库是关键环节：

从•离线流程来看，将文档拆分为段落 → 转换为数字向量 → 存入向量库 再看•在线流程，使用者查询 → 转换为向量 → 在库中匹配相似片段

如何识别文本相似性？计算两个高维向量夹角，小夹角表示高相关性。如text-embedding-v1生成1536维向量

注意！说起来，实际工程中需考虑： •如何调整分块策略？•怎么选最优嵌入模型，•如何设计多轮问答记忆机制？•如何防止私有知识泄露，...

余弦相似度深入讲解

再看主要概念，•向量长度影响距离判断 •余弦值范围 •值越接近1表示越相似 •值越接近-1表示越相反

实际案例演示的观点是，

原始句子A	原始句子B	余弦值	解释
我爱自然语言处理	我喜欢NLP	.98	几乎完全重叠
今天天气真好	明天下雨	-.85	话题相反

LangChain RAG组件程序

LangChain目前支持三种类型模型： ✔️ LLMs - 基础文本理解与生成能力 ✔️ ChatModels - 对话场景调整版LLM ✔️ EmbeddingsModels - 文本转换为数字向量

每种模型输入输出特点不同:

选取原则 : 根据任务场景选择合适组件 : ✔️ 对话程序→ChatModels+PromptTemplate+Memory ✔️ 搜索引擎→EmbeddingsModels+VectorStore+ReActAgent

工具集API设计思路

'"
from langchain_community.llms.tongyi import Tongyi

model = Tongyi # 调用invoke方法

res = model.invoke print

from langchaincommunity.chatmodels.tongyi import ChatTongyi from langchain_core.messages import HumanMessage,SystemMessage,AIMessage

model = ChatTongyi messages =

res = model.stream for chunk in res: print

模板功能

python highlightline=" from langchaincore.prompts import PromptTemplate,FewShotPromptTemplate,ChatPromptTemplate,formatdocument

prompttemplate = PromptTemplate.fromtemplate( "My neighbor is {name}。and ir favorite hobby is {hobby}" )

def formatdocument: formattedstr = return formatted_str.join

chatprompttemplate = ChatPromptTemplate.from_messages()

高级链式调用

python highlightline=" from langchain_core.runnables import RunnablePassthrough,RunnableWithMessageHistory,RunnableLambda

conversationchain = RunnableWithMessageHistory( basechain,gethistoryfunction,inputmessageskey=" historymessageskey= )

complexchain = ({" 至于input"，RunnablePassthrough,context": retriever | formatfunc} | prompt_template | model | parser |

def debug_print: print(f"-DEBUG- value的观点是，") return value

multimodelchain = firstprompt | model | parser | secondprompt | model | debug_print | ...

RAG项目实战

技术选型对比表

技术层面	推荐方法	备选方案	评估指标
嵌入模型	DashScope	OpenAI	性能/费用
查询引擎	ChromaDB	Pinecone	数据规模/延迟
分块策略	RecursiveCharacterSplitter	NLTKSentenceTokenizer	准确率
大语言模 型	DeepSeekV4Flash	QwenMax	响应速度/费用控制

项目架构图

关键设计要点 ☑️ 三层隔离: UI层→API服务层→主要算法层隔离设计保证稳定性升级独立性。不过，

☑️ 双线流程: 离线预处理线路与在线查询方法完全解耦。

☑️ 混合存储: ChromaDB作为主存储 + Redis缓存热点查询 + PostgreSQL持久化日志。

项目难点攻克经验

⚠️ 内存泄漏问题

现象: 长期运行后进程占用内存继续增长。

根因: ChromaDB未正确释放资源 + PyTorch CUDA缓存未清除。

方法:

python highlightline=" import torch # 添加显卡资源管理器代码片段:

class MemoryManager:

@classmethod def cleanup: torch.cuda.emptycache torch.cuda.resetpeakmemorystats

gc.collect

⚠️ 中英文混排分词

现象: 英文字符串被误切分导致检索召回率下降。怎么说呢，

根因: 默认中文分词器对英文不友好。

python highlightline=" from jieba.analyse import ChineseAnalyzer as CA from nltk.tokenize import wordtokenize as WT def mixedtokenizer:

if contains_chinese: return CA.tokenizer else的观点是，return WT)

⚠️ 安全过滤

现象: 使用者可提交恶意代码触发命令注入。

根因: 未对输入进行严格校验。

完善措施:

python highlightline=" import re # 添加安全防护装饰器:

@safeinput def sanitizeinput:

pattern = r'\W+\s*||$'

if re.search: raise ValueError

return prompt.lower

Agent智能体

技术堆栈概览

智能体基础建立块:
*Core Components*

工具集 机制

mermaid diagramclassDiagram ToolBase --> MyCustomTool :

ToolBase : +description:String +run->str MyCustomTool :

+init +run-> StockData

高级中间件示例

python highlightline= @wraptoolcall def logtoolexecution:

start_time= datetime.now

result= handler

latency= -starttime).totalseconds logging.info

return result

帮助与反馈

如遇技术困惑或需求变更请通过以下渠道获取支 持:

📧 联系作者邮箱: 📣 提交GitHub Issue:

💡 建议书写清晰Issue标题及步骤复现描述

---