LangChain / LangGraph 主要用了什么 AI 技术？

LangChain + LangGraph 底层核心 AI 技术全梳理 一、基础定位区分 LangChain：LLM 应用组件化开发框架，封装通用 AI 基础能力（提示词、RAG、记忆、线性工作流、基础 Agent），解决单轮 / 多轮简单 AI 流程。 LangGraph：LangChain 生态的有状态图执行引擎，基于图论 + BSP 分布式计算模型，专门解决复杂循环、多分支、多智能体、可中断恢复的高级 Agent 流程，完全复用 LangChain 所有底层 AI 组件，新增状态图调度核心技术。 二、LangChain 核心依赖的 AI 技术（所有 LangGraph 均继承） 1. 大语言模型抽象层（LLM/Chat Model 统一封装） 底层依托生成式大语言模型（LLM） 整套技术栈，做统一接口封装： 文本自回归生成技术：对接 GPT、Claude、通义、文心、豆包、LLaMA、Qwen 等，封装流式生成、批量推理、温度 /top_p 采样控制 函数调用（Function Calling / Tool Call）：标准 LLM 结构化输出技术，让模型自主识别需要调用外部工具，是 Agent 的底层基础 多模态 LLM 兼容：支持图文输入、图像 Embedding、多模态问答链 推理加速适配：兼容 vLLM、TGI、Ollama 本地推理引擎，统一屏蔽各家 API 差异 2. 提示词工程（Prompt Engineering）标准化技术 模板化提示词：PromptTemplate、ChatPromptTemplate，变量插值、角色预设、对话历史自动拼接 少样本学习（Few-shot Prompt）：内置示例填充、动态示例检索，提升 LLM 输出规范性 输出解析器（Output Parser）：JSON/List/ 自定义格式结构化解析，解决 LLM 自由文本不可控问题 提示词缓存、分层优化、自动精简，降低上下文 Token 消耗 3. RAG 检索增强生成（LangChain 最核心落地技术） 完整链路依赖向量语义检索全套 AI 技术： 文本嵌入（Embedding / 表征学习） 基于 Sentence-BERT、自研文本向量模型，将文档 / 问题映射为高维稠密向量，计算余弦相似度实现语义匹配 文档预处理流水线 文档加载（多格式解析）→ 文本分块（语义分割 / 递归字符分割）→ 清洗降噪 向量数据库（Vector Store） 近邻检索算法（HNSW、IVF_FLAT），支持 Chroma、Milvus、PgVector、Pinecone、Redis 向量检索 检索器（Retriever）：混合检索（关键词 BM25 + 向量检索多路召回）、重排（Rerank 模型）优化召回精度 检索问答链（RetrievalQA）：检索结果注入上下文窗口，缓解 LLM 幻觉、知识截止问题 4. 对话记忆（Memory）上下文状态管理技术 解决 LLM 无状态问题，实现多轮对话连贯： 短期滚动记忆：BufferMemory 完整存储对话消息 摘要压缩记忆：ConversationSummaryMemory，用 LLM 自动压缩超长历史，控制上下文长度 向量长期记忆：VectorStoreMemory，把久远对话向量化存储，实现超长对话检索召回 持久化记忆后端：Redis、SQL、文件存储对话历史，跨会话复用上下文 5. Chain 链式工作流编排（线性 / 分支确定性流水线） 基础流程调度技术，把原子 AI 组件串行 / 并行组装： 基础单元：LLMChain（提示词 + 模型最小执行单元） 业务链：检索链、对话检索链、工具调用链、文档摘要链 调度模式：串行链、并行链、条件分支链（if-else 静态分支） 局限：原生 LangChain Chain不支持循环、无法保存中间状态、不能暂停恢复，复杂迭代 Agent 无力，这是 LangGraph 诞生的核心原因 6. Agent 自主智能体基础技术（ReAct 规划框架） LangChain 原生 Agent 基于ReAct 推理 - 行动范式： 思考 - 行动循环：LLM 输出 Thought（推理）→ Action（工具调用）→ Observation（工具返回结果）循环 工具抽象层（Tools）：统一封装搜索、计算器、API、数据库、代码执行等外部能力 规划 Agent（Plan-and-Solve）：LLM 先拆分复杂任务为子步骤，分步执行 缺陷：原生 Agent 循环写死、无全局状态、无法人工介入、中断丢失进度，复杂多智能体协作难以实现 三、LangGraph 独有核心 AI / 调度技术（在 LangChain 之上扩展） 1. 基于 BSP/Pregel 模型的有向