概念类比核心作用对话角色统一消息格式，屏蔽不同模型的接口差异ChatOpenAI模型插槽统一调用接口，一行代码切换模型提供商可复用模板结构化提示词，支持动态变量注入输出适配器将 AIMessage 转为所需数据类型LCEL 管道流水线将各组件串联为完整的处理链🎯 LangChain 的核心价值不在于"能做什么"，而在于"如何让 LLM 应用的各个部分可组合、可替换、可测试"。掌握这套抽象体系，是

当需要将一个普通 Python 函数嵌入 LCEL 管道时，使用 RunnableLambda# 自定义预处理函数：将输入文本转为大写并截断return {"text": input["text"].strip()[:500], # 截断过长输入"language": input.get("language", "英文")("system", "你是专业翻译，请将文本翻译成{language}。"

技巧适用场景核心价值角色设定所有场景激活模型的领域知识，划定行为边界任务分解多步推理、复杂分析降低跳步和遗漏的概率输出格式约束需要解析输出的场景使输出结构可预测，便于下游处理思维链（CoT）逻辑推理、数学计算显著提升复杂任务准确率负向约束需要限制模型行为的场景防止模型"自作聪明"，减少意外输出Few-shot 示例输出风格难以描述时直接示范比文字描述更有效🎯 提示词工程的本质是减少歧义——让模型

组件核心作用关键参数/选择将原始文件转为 Document 对象按文件格式选择对应 Loader将长文档切分为可检索的 chunkchunk_size（51220%）将文本映射为高维向量中文场景选 BGE 或 text-embedding-3-large存储向量并支持相似度检索开发用 FAISS/Chroma，生产用 Milvus/QdrantRetriever执行相似度搜索k=3~5，质量差时优

介绍 LangSmith 的链路追踪、评估数据集管理与实验对比功能，从"靠日志猜问题"升级为"用数据找问题"

环节关键实现核心价值异步接口ainvokeastream不阻塞事件循环，支持高并发流式输出+ SSE用户实时看到生成过程重试透明处理瞬时 API 错误降级.with_fallbacks([备用模型])主模型故障时自动切换超时保护防止慢请求拖垮服务并发控制进程内 Semaphore + Redis 分布式限流避免触发 API Rate Limit缓存RedisCache相同问题不重复调用 LLM，降

"""将 LLM 输出的多行文本解析为问题列表""""system","你是一个检索优化专家，负责将用户问题改写为多个角度的查询语句，""以便在文档库中检索到更全面的相关内容。),"human","原始问题：{question}\n\n""请从以下角度各生成一个等价问题（每行一个，共 3 个）：\n""1. 更正式/技术化的表述\n""2. 更口语化/简化的表述\n""3. 从解决方案角度的反向表

介绍RAGAS 评估框架的核心指标与使用方法，以及如何构建评估数据集、A/B 对比不同 RAG 策略的效果

本文从"LLM 的能力边界"切入，介绍 Tool 的本质与定义方式，深入 Tool Calling 的底层机制，并处理结构化输入与错误场景

本文介绍 ReAct 模式的推理原理，以及 LangChain 的 AgentExecutor 如何将工具调用循环封装为可复用的 Agent