基于书籍简单记录要点

LangChain 提供了多种模板供选择

LangChain 提供了以下格式化 SQL 提示词模板（翻译）：

1. 你是一个 PostgreSQL 专家。给定一个输人问题，首先创建一个语法正确的 PostgreSQL查询来运行，然后查看查询结果，扑返回针对输人问题的答案。
2. 除非用户明确指定了要返回的结果数量，否则应使用 PostgreSQL 的LIMIT 子句来限制查询结果，最多返回top.k条记录。你可以对结果进行排序，以返回数据库中最有信息价值的数据。
3. 绝对不要查询表中的所有列。你只能在询回答问题所需的列。用双引号（"）将每个列名包裹起来，表示官们是界定的标识符。
4. 注意只使用你在表巾可以看到的列名，不要责询不存在的列。此外，要注意哪一列在哪个表中。
5. 如果问题涉及“今天”，请注意使用 CURRENT_DATE 函数获取当前日期。

使用以下格式：

问题：这里的问题
SQL查询：要运行的 SQL 查询
SQL结果：SQL 查询的结果
答案：这里的最终答案

只使用以下表：

(table_info)

问题：｛input｝

想象一下，如果没有 LangChain 提供的这个提示词模板，当你要开始编写一段SQL查询代码时，会走多少弯路？LLM 应用开发的最后1公里，其意义是确保开发者无须为了一个小细节而多走弯路，正如居民无须跑很远坐公交车一样，每一个关键的细节都能得到及时而准确的处理，使得整个开发过程更为高效。

记忆提示词

创建提示词是最重要的环节。在创建的过程中你可以理解为什么加人记忆组件后，“聊天备忘录”有了内容，让链组件有了“记忆”。使用提示词模板包装器，自定义一个提示词模板字符串。
提示词内容分为四部分：
- 一是对模型的指导词：“请你回答问题的时候，依据文档内容和聊天记录回答，如果在其中找不到相关信息或者答案，请回答不知道。”；
- 二是使用问题检索到的相关文档内容；“文档内容是：｛context｝”；三是记忆组件输出的记忆内容：“聊天记录是：｛chat_history｝”；四是用户的输人：“Human：(human _input)”
```
template = "n*你是说中文的 chatbot.
请你回答问题的时候，依据文持内容和脚天记录回答，如果在其中找不到相关信息戒着答案，请回答
不知道。
文档内容是：｛context）
聊天记录是：｛chat_history）
Human: (human_input)
Chatbot:"""
```
LangChain 框架由以下开发库组成。
- （1）LangChain-Core：基础抽象和 LangChain 表达语言（LCEL）。
- （2）LangChain-Community：组件及内置的大量第三方技术集成模块，一般被封装为合作伙伴模块（例如 LangChain-openai）。
- （3）LangChain：构成应用架构的上层核心组件，包括 Chains、Agents 等。
- （4）Templates：官方提供的一些常见的应用模板。
- （5）LangServe：将 LangChain 链部署为 REST API 的平台。
- （6）LangSmith：帮助开发者跟踪调试、测试、评估和监控大模型应用的在线平台。

其他

Langchain agent是怎么找到search工具并使用的
- 可以正确识别和调用它，因为它主要是通过 description 语义匹配，而不是看 name 的具体字符串。
- 但 name 仍然有一定作用，比如：LLM 可能会参考 name 来做初步判断；调试时 name 可以帮助你看日志，知道 Agent 选了哪个工具
LLM本身没有内在记忆，每个查询都是独立进行的
- 所谓的记忆和检索增强生成（RAG）是通过外部手段实现的，即将相关信息添加到提示词模板中

扩展

Langchain是怎么做到通过分析语义找到对应工具的

From ChatGPT (2025-02-18)

LangChain 通过 LLM（大模型）+ ReAct 框架 来分析语义并选择工具。它的核心逻辑是让 LLM 先思考，再决定用哪个工具，并按照工具的格式调用它。

核心机制

解析用户问题 → 让 LLM 提取关键语义
匹配工具描述 → 让 LLM 判断哪个工具最适合
生成调用指令 → LLM 生成工具的调用格式并执行
工具返回结果 → LLM 解析工具返回的数据并回复用户

这套逻辑基于 ReAct（Reasoning + Acting） 框架，在 LangChain 里 Agent 主要是用这个方法来动态决策。

1. 解析用户问题

假设你输入：

1	agent.run("计算 25 * 4 + 10")

LangChain 会把这个问题交给 LLM（如 GPT-4），让它理解用户的意图。

LLM 可能会把你的问题理解成：

这是一个数学计算问题
需要找到一个能进行数学计算的工具
计算表达式 25 * 4 + 10

2. 匹配工具描述

假设你有两个工具：

Tool(
    name="Calculator",
    func=calculator_tool,
    description="用于数学计算。输入一个数学表达式（如 3 + 5 * 2），输出结果。",
)

Tool(
    name="Wikipedia",
    func=wiki.run,
    description="查询 Wikipedia 词条，输入一个关键词（如 'Python programming'），获取相关信息。",
)

LLM 会对比问题和 description，发现 Calculator 的描述里提到了“数学计算”，所以它会选择 Calculator 这个工具。

关键点：LangChain 让 LLM 直接读 description，所以工具的名字 name 只是一个标识，核心还是 description 的语义匹配。

3. 生成调用指令

LangChain 让 LLM 生成一个类似 JSON 的格式，表示它要调用哪个工具：

{
    "action": "Calculator",
    "action_input": "25 * 4 + 10"
}

然后 LangChain 会解析这个指令，找到 Calculator 工具，并把 25 * 4 + 10 传给 func 去执行。

4. 工具返回结果

计算工具执行：

1	eval("25 * 4 + 10") # 计算得到 110

LangChain 把 110 返回给 LLM，LLM 可能会回复：

1	25 * 4 + 10 = 110

最终 agent.run() 会输出这个结果。

总结

LangChain 让 LLM 负责：

分析用户语义
匹配工具（通过 description）
生成调用工具的指令
解释工具返回的结果

它的核心是利用 LLM 的推理能力，结合 ReAct 让它“思考后再行动”。所以只要 description 够清晰，即使 name 乱写，它也能找到正确的工具！

Reference

《LangChain入门指南构建高可复用、可扩展的LLM应用程序》
《基于大模型的RAG应用开发与优化——构建企业级LLM应用》