LangSmith 是开发和调试 LangChain 应用的必备工具，它可以让你看到每一次调用的完整链路，包括输入、输出、执行时间、Token 消耗等。LangChain 不是一个孤立的框架，而是一个完整的生态系统，覆盖了 LLM 应用从开发到部署、监控的全生命周期。LangChain 1.0 是一个里程碑式的版本，它彻底重构了架构，解决了 0.x 版本的所有核心问题。文件，这个文件记录了所有依赖

它没有真正的 "理解" 能力，所有输出都完全依赖于输入的上下文。提示词就是我们给大模型的 "指令手册"，决定了模型的行为、输出质量和边界。现在我们将今天所学的内容整合到昨天搭建的 LangChain 2026 框架中，实现一个工业级的提示词管理系统。自动生成符合指定格式的提示词，并解析模型的输出为 Python 对象，是工业级应用中最常用的功能之一。，用于生成聊天模型的消息列表，支持系统提示、用户

"""框架基础异常类""""""模型加载失败异常"""message = f"模型加载失败：{model_name}"message += f"，详细信息：{details}""""生成失败异常"""message = "回答生成失败"message += f"，详细信息：{details}"

在# 在现有异常类后面添加"""文档解析失败异常"""message = f"文档解析失败：{file_path}"message += f"，详细信息：{details}""""文本分块失败异常"""message = "文本分块失败"message += f"，详细信息：{details}"

用户查询 → 查询向量生成 → 相似性搜索 → 返回Top-K相关分块。sentence-transformers # 本地嵌入模型所需。faiss-cpu # Windows/Linux CPU版本。Facebook 开发的高性能向量数据库，适合大规模数据。文本分块 → 嵌入模型 → 向量生成 → 向量数据库存储。轻量级嵌入式向量数据库，无需额外部署，适合开发和原型。# faiss-gpu #

用户查询 → 粗召回（向量检索） → Top-K候选集（20-50个） → 精排序（重排序模型） → Top-N最终结果（3-5个） → 大模型生成。将文档按句子分块进行检索，检索到最相关的句子后，扩展该句子前后 N 个句子的上下文，然后将扩展后的上下文喂给大模型。将用户的单个查询生成 3-5 个不同角度、不同表达方式的查询，分别进行检索，然后合并所有结果并去重。将用户的口语化、不完整、有歧义的查

这时候先不要着急启动测试！会反复调用大模型，我们可以使用缓存，将前面已经查询的结果缓存起来。上面的缓存键保留了top_k,所以缓存的时候会有很多缓存文件。

经过前边的学习，我们已经搭建了工业级 RAG 系统，但它本质上是一个被动的信息检索与生成系统知识边界：只能回答知识库中存在的静态信息，无法处理需要计算、推理、实时数据或外部操作的任务能力边界：只能生成文本，无法执行任何实际操作（如调用 API、操作数据库、发送邮件）逻辑边界：只能进行单步推理，无法处理需要多步骤规划、迭代优化的复杂任务工业级场景对比任务类型RAG 能否完成Agent 能否完成"公司

LangGraph 支持子图的输入输出映射，可以将主图的状态字段映射到子图的状态字段，反之亦然。：LangGraph 1.2 + 采用增量 Checkpoint，只保存变化的状态字段，而不是完整状态，大幅减少了存储占用和 I/O 开销。状态回溯是指查看历史上任意时刻的系统状态，状态回滚是指将系统状态恢复到历史上的某个时刻，然后重新执行。，当执行到中断点时，LangGraph 会暂停执行并保存当前状

为什么选择 "研究员 + 写作家" 的分工？这是人类社会最经典的分工模式之一，经过了长期的实践验证研究和写作需要完全不同的能力：研究需要严谨、准确、逻辑性强；写作需要创造力、表达能力、结构化思维这种分工可以让每个智能体专注于自己擅长的领域，大幅提升输出质量便于后续扩展：可以添加评审员、设计师等角色，而不需要修改原有代码详细的角色与职责定义智能体角色定位核心能力输入输出拥有的工具温度设置研究员信息收