当截断会丢失关键信息时，通过压缩上下文（如生成摘要、提取关键实体）减少token数，同时保留核心内容。原理：用LLM对早期对话生成摘要，替代原始长对话，大幅减少token。具体操作用LangChain的，它会：① 实时将新对话与历史摘要拼接；② 当总token接近限制时，调用LLM生成新摘要（覆盖早期历史）；示例：from langchain.memory import ConversationS

通过对 qwen-code 项目 core 包中多个工具文件的分析，我们了解了辅助编程功能的具体实现方式。

【代码】Torch实战项目。

本学习笔记深入剖析Langflow的核心技术架构，基于实际源代码进行详细分析。Langflow作为一个可视化的AI工作流平台，其核心价值在于将复杂的AI应用开发过程可视化，让开发者能够通过拖拽组件的方式构建强大的AI应用。通过本笔记的学习，您将深入理解：Langflow采用图驱动的可视化编程范式，将传统的代码编写转换为直观的图形化操作。这种设计哲学的核心在于：1.1.1 可视化优先的设计原则Lan

LangChain的开源LLM适配机制本质上是一个标准化接口层，它解决了本地部署模型与LangChain生态系统之间的连接问题。这个适配层充当了"翻译器"的角色，将各种开源LLM的原生API转换为LangChain统一的接口规范。核心价值定位：成本控制：避免闭源API的高昂调用费用数据安全：确保敏感数据不出境，满足合规要求自主可控：摆脱对第三方服务的依赖定制化能力：支持模型微调和个性化部署多模型支

策略核心逻辑优点缺点适用场景全量存储保存完整历史细节无丢失易超限，冗余多短对话、需完整回溯的场景窗口存储（k=2-5保留最近N轮长度可控，实现简单可能丢失早期关键信息中短对话、近期信息为主的场景摘要压缩生成早期对话摘要长度压缩，保留核心信息可能丢失细节，依赖摘要质量长对话、核心信息明确的场景在实际应用中，可根据对话长度和信息重要性组合策略（如：用窗口存储保留最近3轮原始对话，同时用摘要记录更早的核

RAG通过“检索增强生成”的协同机制，解决了纯生成模型的知识局限与纯检索系统的输出能力不足，其核心在于高效的知识检索与精准的上下文融合。模块化架构使其可适配多场景，而文档拆分、嵌入优化、检索策略等技术细节直接决定了RAG的性能。未来，随着多模态与实时检索技术的发展，RAG将在更广泛的领域（如医疗诊断、智能客服）发挥核心作用。

是LangChain框架中向量数据库的统一抽象接口，作为RAG（检索增强生成）系统的核心存储中枢，为不同向量数据库提供一致的操作接口。核心价值统一抽象：为50+种向量数据库提供一致的API接口RAG中枢：作为检索增强生成系统的核心存储层开发简化：屏蔽底层数据库差异，降低开发复杂度生态协同：与Embeddings、Retrievers无缝集成文档管理delete()相似性检索多样化检索(MMR算法)

LLMChain作为LangChain框架中的最小功能单元，本质上是"PromptTemplate + LLM + OutputParser"的标准化封装。如何将结构化的提示词模板与大语言模型进行标准化连接。则是多链串行执行的编排工具，实现了复杂AI工作流的分步骤处理和数据流转。它将多个独立的处理单元按照依赖关系串联，形成完整的处理管道。LangChain基础链（LLMChain与Sequenti

LangChain的多模态/多源上下文管理通过“加载→转换→标准化→融合检索多源：用Loader加载不同渠道数据，Document统一封装，向量库跨源检索；多模态：将图片、音频等非文本信息转为文本描述，与文本信息一起管理。这种方式让大模型能综合利用各类信息，尤其适合复杂场景（如结合产品手册、用户语音反馈、实拍图片解答问题），大幅提升回答的全面性和准确性。