LangChain 核心功能

核心功能

LangChain 的能力可以按「输入 — 处理 — 输出 — 编排 — 观测」五层来理解。下面这张表是最常用的十块，覆盖了绝大多数项目会用到的部分。

模块	作用	常用类 / 函数
Models	统一封装各家对话模型与嵌入模型，屏蔽接口差异	`ChatOpenAI`、`OpenAIEmbeddings`、`init_chat_model`
Prompts	把提示词做成带变量的模板，支持多角色消息与占位符	`ChatPromptTemplate`、`MessagesPlaceholder`
LCEL	用管道符声明式组合 Runnable，自动获得批处理与流式能力	`prompt \| model \| parser`
OutputParser	把模型返回的文本转成结构化数据，或做格式校验与重试	`StrOutputParser`、`JsonOutputParser`、`PydanticOutputParser`
Memory	保存多轮对话历史，并在每次请求时回填到提示词里	`RunnableWithMessageHistory`、`ChatMessageHistory`
Retriever	按语义相似度从向量库或其它数据源取回相关片段	`as_retriever()`、`MultiQueryRetriever`
Tools	把普通函数注册成模型可调用的工具，自动生成参数结构	`@tool`、`StructuredTool`
Agents	由模型自主规划并循环调用工具，直到任务完成	`create_react_agent`、`AgentExecutor`
Callbacks	在链执行的关键节点挂钩子，用于日志、计费、埋点、流式推送	`BaseCallbackHandler`、`astream_events`
LangGraph	用状态图编排带分支、循环、人工介入的多步流程	`StateGraph`、`add_conditional_edges`、`compile`

参数	归属	含义与取值建议
`temperature`	ChatModel	采样随机性。`0` 适合抽取、分类、判分这类要求稳定的任务；创意写作可以放到 0.7 左右。它只降低方差，并不保证完全确定。
`max_tokens`	ChatModel	单次回复的长度上限，直接影响成本与延迟。做结构化抽取时给够就行，不要默认放开到最大。
`streaming`	ChatModel	设为 `True` 后逐 token 返回，用户的首字等待时间明显下降。注意流式模式下拿不到完整的用量统计。
`chunk_size`	TextSplitter	切分后每段的字符数。太小会割裂语义，太大会稀释检索精度。常见起点是几百字符，要按文档类型实测调整。
`chunk_overlap`	TextSplitter	相邻片段之间重叠的字符数，用来避免一句话被切断后两边都检索不到。一般取 chunk_size 的一到两成。
`k`	Retriever	每次检索召回的片段数，配合 `search_type`（相似度检索 / MMR）使用。k 越大上下文越全，噪声与 token 成本也越高。
`timeout` / `max_retries`	ChatModel	请求超时与自动重试次数。生产环境必须显式设置，否则一个慢请求会拖住整个工作线程。