LangChain概念指南（1）
架构
LangChain 作为一个框架，由多个包组成。
langchain-core
这个包包含了不同组件的基础抽象以及它们组合的方式。
这里定义了像 LLMs（大型语言模型）、向量存储、检索器等核心组件的接口。
这里没有定义第三方集成。
这里的依赖故意保持非常轻量级。
合作伙伴包
虽然大部分集成都在 langchain-community 中，我们将流行的集成拆分到它们自己的包中（例如 langchain-openai、langchain-anthropic 等）。
这样做是为了改善对这些重要集成的支持。
langchain
主要的 langchain 包包含了构成应用程序认知架构的链、代理和检索策略。
这些不是第三方集成。
这里所有的链、代理和检索策略都不是特定于任何一种集成的，而是跨所有集成通用的。
这个包包含了由 LangChain 社区维护的第三方集成。
关键的合作伙伴包被单独分离出来（见下文）。
这个包含了各种组件（LLMs、向量存储、检索器等）的所有集成。
为了尽可能保持包的轻量级，这个包中的所有依赖都是可选的。
langgraph
langgraph 是 langchain 的扩展，旨在通过将步骤建模为图中的边和节点来构建健壮的、有状态的多参与者应用程序。
LangGraph 提供了用于创建常见类型代理的高级接口，以及用于组合自定义流程的低级 API。
langserve
一个部署 LangChain 链作为 REST API 的包。它使轻松启动生产就绪的 API 变得容易。
LangSmith
一个开发者平台，让您可以调试、测试、评估和监控 LLM 应用程序。
https://python.langchain.com/v0.2/svg/langchain_stack_062024.svg
LangChain 表达式语言 (LCEL)
LangChain 表达式语言，简称 LCEL，是一种声明式的方式来串联 LangChain 组件。LCEL 从第一天起就被设计为支持将原型投入生产环境，无需进行任何代码更改，适用于从最简单的“提示 + LLM”链到我们在生产中见过的包含数百个步骤的最复杂的链。以下是您可能想要使用 LCEL 的几个原因：
一流的流媒体支持
当您使用 LCEL 构建链时，您将获得最佳的首次令牌时间（即输出的第一块内容出现之前经过的时间）。对于某些链，这意味着例如我们直接从 LLM 流式传输令牌到流式输出解析器，并且您以与 LLM 提供商输出原始令牌相同的速率获得解析后的增量输出块。
异步支持
任何使用 LCEL 构建的链都可以使用同步 API（例如，在您的 Jupyter 笔记本中进行原型设计时）以及异步 API（例如，在 LangServe 服务器中）进行调用。这使得您可以在原型和生产中使用相同的代码，具有出色的性能，并能够在同一服务器上处理多个并发请求。
优化的并行执行
每当您的 LCEL 链有可以并行执行的步骤时（例如，如果您从多个检索器获取文档），我们会自动执行它，无论是同步还是异步接口，以实现尽可能小的延迟。
重试和回退
为您的 LCEL 链的任何部分配置重试和回退。这是在大规模上使您的链更可靠的好方法。我们目前正在努力为重试/回退添加流媒体支持，以便您可以在不增加任何延迟成本的情况下获得额外的可靠性。
访问中间结果
对于更复杂的链，通常在最终输出产生之前访问中间步骤的结果非常有用。这可以用来让用户知道正在发生什么，或者仅仅是为了调试您的链。您可以流式传输中间结果，并且在每个 LangServe 服务器上都有提供。
输入和输出模式
输入和输出模式为每个 LCEL 链提供了从链的结构中推断出的 Pydantic 和 JSONSchema 模式。这可以用于验证输入和输出，并且是 LangServe 的一个重要组成部分。
无缝 LangSmith 跟踪
随着您的链变得越来越复杂，了解每一步确切发生的事情变得越来越重要。使用 LCEL，所有步骤都自动记录到 LangSmith，以实现最大的可观测性和可调试性。
LCEL 旨在为行为和定制提供一致性，超越了传统的子类链，如 LLMChain 和 ConversationalRetrievalChain。这些传统链隐藏了像提示这样的重要细节，并且随着更多可行模型的出现，定制变得越来越重要。
如您目前正在使用这些传统链之一，请参见此指南了解如何迁移。
有关如何使用 LCEL 执行特定任务的指南，请查看相关指南。
可运行接口
为了尽可能方便地创建自定义链，我们实现了一个“可运行”协议。许多 LangChain 组件实现了可运行协议，包括聊天模型、LLM、输出解析器、检索器、提示模板等。还有一些有用的原语用于处理可运行对象，您可以在下面阅读到。
这是一个标准接口，使您可以轻松定义自定义链并以标准方式调用它们。标准接口包括：
stream：流式传输响应块
invoke：在输入上调用链
batch：在输入列表上调用链
这些也有对应的异步方法，应该与 asyncio await 语法一起使用以实现并发：
astream：异步流式传输响应块
ainvoke：异步在输入上调用链
abatch：异步在输入列表上调用链
astream_log：除了最终响应外，还流式传输发生的中间步骤
astream_events：beta 版本流式传输链中发生的事件（在 langchain-core 0.1.14 中引入）
组件的输入类型和输出类型各不相同：
| 组件 | 输入类型 | 输出类型 |
|---|---|---|
| Prompt | 字典 | PromptValue |
| ChatModel | 单个字符串、聊天消息列表或 PromptValue | ChatMessage |
| LLM | 单个字符串、聊天消息列表或 PromptValue | 字符串 |
| OutputParser | LLM 或 ChatModel 的输出 | 取决于解析器 |
| Retriever | 单个字符串 | 文档列表 |
| Tool | 单个字符串或字典，取决于工具 | 取决于工具 |
所有可运行对象都暴露了输入和输出模式以检查输入和输出：
input_schema：从可运行的结构自动生成的输入 Pydantic 模型
output_schema：从可运行的结构自动生成的输出 Pydantic 模型