Scan to join WeChat groupLangChain 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
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
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
-
环境配置:
conda activate ai_tools -
代码优先: 所有示例都包含完整可运行的代码
-
中英混合: 概念和描述使用中文,代码和 API 使用英文
-
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。