一、LangChain核心组件概述

LangChain的核心价值在于“连接”——将大语言模型（LLM）与外部工具、记忆功能、业务逻辑串联，实现更复杂、更具实用性的AI应用。本次重点学习三大核心模块：Tools工具（预制+自定义）、Memory记忆功能、多种内置链，以及Memory的实操应用（多轮对话历史记录）。

二、Tools工具：让LLM拥有“动手能力”

Tools工具是LangChain让LLM突破“纯文本生成”的关键，允许模型调用外部资源（如搜索、计算、数据库查询等），解决自身无法处理的问题（如实时信息、复杂计算）。核心逻辑：LLM根据用户需求，判断是否需要调用工具、调用哪个工具、如何传递参数，最终整合工具返回结果，生成最终回答。

2.1 预制工具（内置工具）

LangChain已封装好大量常用工具，无需从零开发，直接导入使用，核心常用预制工具如下，附使用场景和简单示例：

• SerpAPI（搜索引擎工具）：用于获取实时信息（如新闻、天气、最新数据），解决LLM知识库滞后的问题。 使用前提：需要申请SerpAPI密钥，安装依赖（pip install langchain-serpapi）。 简单示例：调用SerpAPI查询“2026年马年春节日期”，让LLM结合搜索结果给出准确回答。

• MathTool（数学计算工具）：用于处理复杂数学运算（如加减乘除、函数计算、矩阵运算），避免LLM计算出错。 核心工具：Calculator（基础计算）、PythonREPL（更灵活的Python代码执行，支持复杂计算）。

• FileTool（文件操作工具）：用于读取、写入本地文件（如txt、pdf、docx），实现与本地文档的交互。 常用工具：ReadFile（读取文件内容）、WriteFile（写入内容到文件），需注意文件路径权限。

• DatabaseTool（数据库工具）：用于连接SQL数据库（MySQL、PostgreSQL等），实现数据查询、新增、修改等操作，适用于数据驱动的场景。

预制工具的核心优势：开箱即用，减少开发成本；与LangChain其他组件（链、Memory）无缝集成，无需额外适配。

2.2 自定义工具

当预制工具无法满足业务需求（如调用自有API、内部系统）时，可自定义工具。自定义工具需遵循LangChain的Tool接口规范，核心步骤如下：

1. 定义工具函数：编写具体的工具逻辑（如调用自有API、处理特定业务逻辑），函数需包含输入参数、执行逻辑、返回结果。 注意：函数需明确说明“功能描述”“输入参数说明”，方便LLM判断是否调用该工具。

2. 封装为LangChain Tool对象：使用LangChain提供的@tool装饰器，或直接实例化Tool类，指定工具名称、描述、函数等参数。

3. 测试工具：单独测试工具能否正常运行，确保输入输出符合预期；再将工具集成到链中，测试与LLM的联动效果。

自定义工具示例：封装一个“获取公司内部员工信息”的工具，调用内部员工管理API，根据员工ID返回员工姓名、部门、入职时间等信息。

关键注意点：工具的描述必须清晰、准确，LLM会根据描述判断是否调用该工具；工具的异常处理（如API调用失败、参数错误）需完善，避免影响整体流程。

三、Memory记忆功能：让LLM拥有“长期记忆”

默认情况下，LLM的对话是“无状态”的——每一轮对话都是独立的，无法记住上一轮的提问、回答或用户信息。Memory功能的作用的是：保存对话历史、用户信息等上下文，让LLM能够基于历史记录生成连贯的回答，实现多轮对话的流畅性。

3.1 Memory工具的核心类型及使用

LangChain提供多种Memory类型，适配不同场景，核心常用类型如下：

• ConversationBufferMemory（对话缓冲记忆） 功能：简单保存所有对话历史（用户提问+AI回答），不做任何压缩，适用于短对话场景。 使用场景：简单的多轮对话（如3-5轮），无需节省token。 特点：直观、简单，但对话过长时，token消耗大，可能影响LLM响应速度。

• ConversationBufferWindowMemory（对话窗口记忆） 功能：只保存最近N轮对话历史（可设置window_size参数），丢弃更早的对话，适用于长对话场景。 使用场景：多轮长对话，需要控制token消耗，同时保留近期上下文。 示例：设置window_size=3，仅保存最近3轮对话，避免历史对话过多导致token溢出。

• ConversationSummaryMemory（对话摘要记忆） 功能：将对话历史进行摘要压缩，保存摘要而非完整对话，大幅减少token消耗，适用于超长对话。 原理：每新增一轮对话，LLM会自动将新对话与历史摘要合并，生成新的摘要。 使用场景：需要长期记忆对话核心内容，但无需保留每一轮的完整细节。

• ConversationEntityMemory（对话实体记忆） 功能：提取对话中的实体（如人名、地名、物品）及相关信息，单独保存，适用于需要记住特定实体细节的场景（如客户咨询、产品介绍）。

Memory的核心使用逻辑：实例化Memory对象，将其传入链中，链会自动将对话历史传入LLM，实现上下文关联。

3.2 为链增加Memory

LangChain的Chain（链）是串联LLM、Tools、Memory的核心载体，为链增加Memory的步骤非常简单，核心流程如下：

1. 导入所需的Memory类（如ConversationBufferMemory）。

2. 实例化Memory对象，可设置相关参数（如window_size、return_messages等）。 示例：memory = ConversationBufferMemory(return_messages=True) （return_messages=True表示返回完整的对话消息列表，便于链处理）。

3. 实例化Chain时，将memory参数指定为创建的Memory对象。 常用链：ConversationChain（对话链，专门用于多轮对话）、LLMChain（基础链）。

4. 调用链的run方法，进行多轮对话，Memory会自动保存对话历史。

关键注意点：不同的链对Memory的支持略有差异，优先使用ConversationChain处理多轮对话，其对Memory的适配性最好；若链中包含Tools，Memory会同时保存工具调用的历史记录，便于LLM后续参考。

四、多种内置链的介绍与使用

LangChain的内置链（Built-in Chains）是预先封装好的“业务模板”，将LLM、Tools、Memory等组件提前组合，无需手动串联，直接调用即可实现特定功能。核心常用内置链如下：

4.1 ConversationChain（对话链）

核心用途：专门用于多轮对话，是最常用的内置链，默认支持Memory功能，可直接实现上下文连贯的对话。

使用场景：客服对话、日常聊天、咨询问答等需要多轮交互的场景。

特点：简洁易用，可灵活搭配不同的Memory类型，支持自定义LLM模型。

4.2 LLMChain（基础链）

核心用途：最基础的链，仅串联“LLM+提示词模板（PromptTemplate）”，不默认包含Memory和Tools，适用于简单的单轮文本生成场景。

使用场景：文本生成、摘要、翻译、改写等单轮任务，可手动添加Memory和Tools扩展功能。

4.3 ToolChain（工具链）

核心用途：串联LLM与多个Tools，让LLM能够根据需求自动选择、调用工具，解决需要外部资源的复杂问题。

常用子链： - RetrievalQAChain：检索问答链，结合文档检索工具（如VectorDB），实现“文档问答”（从指定文档中查找答案）。 - AgentChain：智能代理链，让LLM拥有“自主决策能力”，可自主判断是否调用工具、调用顺序，适用于复杂任务（如数据分析、多步骤查询）。

4.4 SequentialChain（顺序链）

核心用途：按固定顺序执行多个子链，前一个子链的输出作为后一个子链的输入，适用于多步骤、有依赖关系的任务。

示例：先使用LLMChain生成文章大纲，再使用另一个LLMChain根据大纲生成完整文章，两个链按顺序执行。

五、实践：多轮对话历史记录（Memory实操）

本次实践使用ConversationChain+ConversationBufferMemory，实现多轮对话历史记录，确保对话上下文连贯，步骤如下（基于Python代码）：

5.1 环境准备

1. 安装依赖：pip install langchain openai（本次使用OpenAI的LLM模型，也可替换为其他模型，如ChatGLM、Llama等）。

2. 配置API密钥：设置OpenAI API Key（需自行申请），确保能够正常调用LLM。

5.2 代码实现

from langchain_openai import ChatOpenAI
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory

# 1. 初始化LLM模型
llm = ChatOpenAI(
    model_name="gpt-3.5-turbo",  # 模型名称
    temperature=0.7,  # 随机性，0-1，越低越严谨
    api_key="你的OpenAI API Key"
)

# 2. 初始化Memory（对话缓冲记忆，保存所有对话历史）
memory = ConversationBufferMemory(return_messages=True)  # return_messages=True返回消息列表

# 3. 初始化对话链，传入LLM和Memory
conversation_chain = ConversationChain(
    llm=llm,
    memory=memory,
    verbose=True  # 开启详细日志，可查看对话历史和LLM调用过程
)

# 4. 多轮对话测试
print("开始多轮对话（输入'退出'结束）：")
while True:
    user_input = input("用户：")
    if user_input == "退出":
        print("对话结束！")
        break
    # 调用链，获取回答
    response = conversation_chain.run(user_input)
    print(f"AI：{response}")
    # 查看当前对话历史（可选）
    print("当前对话历史：", memory.load_memory_variables({}))

5.3 实践效果说明

• 每一轮对话后，Memory会自动保存“用户提问+AI回答”，下一轮对话时，LLM会基于历史记录生成回答。

• 示例效果： 用户：我叫小明，今年25岁。 AI：你好小明！25岁正是充满活力的年纪呢～ 用户：我喜欢打篮球，你知道我多大吗？ AI：当然知道啦，你刚才说你今年25岁呀，喜欢打篮球真是个不错的爱好呢！

• 若替换为ConversationBufferWindowMemory，设置window_size=2，仅保存最近2轮对话，超过2轮的历史会被丢弃，可用于控制token消耗。

5.4 注意事项

• API密钥需妥善保管，避免泄露；若使用国内模型（如ChatGLM），需替换对应的LLM类（如ChatGLM4）。

• Memory的选择需根据对话长度：短对话用ConversationBufferMemory，长对话用ConversationBufferWindowMemory或ConversationSummaryMemory。

• verbose=True仅用于调试，生产环境可关闭，避免日志过多。

六、核心总结

1. Tools：让LLM“走出”纯文本，通过预制工具快速实现常用功能，通过自定义工具适配业务需求。

2. Memory：解决LLM无状态问题，通过不同类型的Memory保存对话上下文，实现多轮对话连贯。

3. 内置链：封装好的业务模板，简化开发流程，不同链适配不同场景（对话、检索、多步骤任务）。

4. 实操关键：Memory与ConversationChain的配合是实现多轮对话的核心，需根据场景选择合适的Memory类型。