LangChain 核心组件

一句话定位：LangChain 本质是”LLM 调用的编排与抽象层”——把 Prompt 组装、状态管理、外部检索、工具调用这些重复性工作抽象成可复用组件，让开发者不用每次都手写胶水代码。

1. 四大核心组件

• Chain（任务链组合）：把多个 LLM 调用/处理步骤串联成一条流水线（如”先摘要 → 再翻译 → 再格式化”），本质是函数组合，让复杂任务拆解为可复用的小步骤。
• Memory（会话状态）：管理多轮对话的历史上下文，包括简单的”保留全部历史”和更复杂的”滚动摘要压缩历史”策略，解决上下文窗口有限的问题。
• Retriever（检索增强）：把外部知识库（向量库/搜索引擎）接入，在生成前先检索相关文档拼进上下文，即 RAG 的检索侧组件（对应 8.4）。
• Tool（外部能力）：把外部 API/函数包装成模型可调用的”工具”，配合 Function Calling（7.4）让模型能读写外部世界。

2. 设计本质

• LangChain 不改变 LLM 本身的能力，它解决的是”编排”问题：如何把一次孤立的模型调用，变成一个有状态、能用工具、能查资料的完整应用。
• 这也是它经常被诟病”过度抽象”的原因——简单任务直接裸调 API 可能更清晰，LangChain 的价值在复杂、多步骤、需要状态管理的场景才明显。

3. 面试落点

• 能说清四个组件各自解决什么问题，避免把 LangChain 当成”黑盒框架”泛泛而谈。
• 可迁移话术：Chain ≈ 数据处理流水线里的算子编排（1.9）；Memory 的滚动摘要压缩 ≈ 大数据里的增量聚合思路；Retriever ≈ 数据平台里”先查元数据索引再拉数据”的两段式查询。

参考：LangChain 官方文档