彬彬侠的博客

langchain_core.prompts.ChatPromptTemplate 是 LangChain 框架中用于聊天模型的核心提示工具，通过定义结构化的消息序列和动态变量，支持对话上下文管理、问答系统和代理应用。它提供了灵活的创建方法（如 from_messages）、强大的功能（如 partial 和 invoke）以及与 LangChain 生态系统的无缝集成。掌握 ChatPromptTemplate 的使用方法，可以帮助开发者高效构建复杂的 LLM 应用。

Python 的格式化字符串（f-string，格式化字符串字面量）是 Python 3.6 引入的一种强大且简洁的字符串格式化工具，通过在字符串前添加 f 或 F 前缀，并使用花括号 {} 嵌入变量或表达式，实现动态字符串生成。旨在提供比传统 % 格式化、str.format() 和 string.Template 更简洁、可读且高效的方式。f-string 允许在字符串字面量中直接嵌入 Python 表达式，运行时动态求值。

Document 类是 LangChain 框架中用于表示文档的标准化数据结构，继承自 BaseMedia 类。它设计用于存储一段文本内容（page_content）及其相关元数据（metadata），便于在 LLM 应用中进行文档管理、处理和检索。它在文档加载、文本分割、向量存储和问答系统等场景中扮演重要角色。

langchain_core.retrievers.BaseRetriever 是 LangChain 框架中定义文档检索系统标准接口的抽象基类，通过支持同步和异步操作、批量处理和流式输出，为 RAG 系统、代理系统和自定义检索逻辑提供了强大支持。其灵活的 Runnable 接口和元数据管理使其易于集成到复杂工作流中。通过子类化实现自定义检索逻辑，结合 Embeddings、VectorStoreRetriever 和 LangChain 生态系统，开发者可以构建高效、精准的检索系统。遵循最佳实践并注意版本

VectorStoreRetriever 是 langchain_core.vectorstores 模块中的类，继承自 BaseRetriever，通过包装向量存储实现文档检索功能。向量存储是 LangChain 中用于存储文本嵌入向量（embeddings）的组件，支持高效的语义搜索。VectorStoreRetriever 将向量存储的功能封装为检索器，接受非结构化查询（如文本字符串），返回与查询语义最相关的文档列表。

langchain_core.embeddings.fake 模块通过 FakeEmbeddings 和 DeterministicFakeEmbedding 提供了虚假嵌入模型，专为 LangChain 管道的测试和开发设计。FakeEmbeddings 生成随机嵌入，适合验证基本逻辑；DeterministicFakeEmbedding 生成确定性嵌入，适合需要一致结果的测试。两者均实现 Embeddings 接口，支持同步和异步操作，与 LangChain 的向量存储、检索器和链无缝集成。模块高效、轻

langchain_core.embeddings.Embeddings 是 LangChain 框架中用于定义文本嵌入模型标准接口的抽象基类，通过 embed_documents 和 embed_query 方法支持文本向量化，广泛应用于语义搜索、向量存储和 RAG 应用。其统一接口和异步支持确保了不同嵌入模型的互换性和高效性。结合具体子类（如 OpenAIEmbeddings）、向量存储和 LangChain 生态系统，开发者可以构建强大的语义处理系统。遵循最佳实践并注意版本要求，将有助于充分发挥其功能

langchain_core.load 模块包含一组函数，用于处理 LangChain 对象的序列化和反序列化。该模块依赖于 langchain_core.load.serializable.Serializable 基类，后者为 LangChain 对象提供了序列化能力。序列化：通过 dumpd 和 dumps 将 Serializable 对象转为 Python 字典或 JSON 字符串。通过 load 和 loads 从字典或 JSON 字符串重建对象，支持 secrets_map 注入敏感信息（如

Serializable 是 langchain_core.load.serializable 模块中的抽象基类，继承自 Pydantic 的 BaseModel 和 Python 的 ABC（抽象基类）。它为 LangChain 对象提供了序列化支持，允许将对象的状态转换为 JSON 格式，以便保存、传输或在不同运行时加载。序列化后的对象可以通过反序列化恢复为原始状态，确保工作流的可移植性和持久性。结合 dumpd、dumps、load 和 loads 函数，开发者可以轻松保存和加载链、代理和工具，适用于

@chain 装饰器位于 langchain_core.runnables.base 模块的 chain 装饰器函数，用于将普通的 Python 函数转换为 LangChain 的 Runnable 对象。Runnable 是 LangChain 生态系统的核心组件，支持同步、异步、批处理和流式处理等操作。通过 @chain 装饰器，开发者可以将自定义逻辑无缝集成到 LangChain 的工作流中，与其他组件（如提示模板、语言模型、输出解析器）组合成复杂的处理链。

reate_retriever_tool 是 langchain_core.tools.retriever 模块中的函数，旨在将 BaseRetriever 实例封装为 Tool 对象，使其可以作为代理或链的工具使用。检索器（Retriever）是 LangChain 中用于根据查询从数据源（如向量存储或数据库）检索相关文档的组件，而该函数将其转换为一个标准的 BaseTool 子类，允许代理通过查询字符串调用检索功能。

render_text_description_and_args 是 langchain_core.tools.render 模块中的函数，旨在从一组 BaseTool 对象的 name、description 和 args_schema 属性生成纯文本字符串。输出格式为每行一个工具，显示为“名称(参数1: 类型1, 参数2: 类型2) - 描述”。其标准化的输出格式易于嵌入提示模板，指导语言模型选择和调用工具。结合 BaseTool、StructuredTool、InjectedToolArg 和代理框架

render_text_description 是 langchain_core.tools.render 模块中的函数，旨在从一组 BaseTool 对象的 name 和 description 属性生成纯文本字符串。输出的格式为每行一个工具，显示为“名称：描述”。其输出格式标准，易于嵌入提示模板，指导语言模型选择和调用工具。结合 BaseTool、StructuredTool 和代理框架，开发者可以构建强大的工具调用能力。遵循最佳实践并注意版本要求，将有助于充分发挥其功能。

convert_runnable_to_tool 是 langchain_core.tools 模块中的一个实用函数，旨在将 LangChain 的 Runnable 对象转换为 BaseTool 对象。Runnable 是 LangChain 的核心接口，支持同步和异步执行、批处理和流式输出，而 BaseTool 是工具的基类，用于定义代理或链可调用的功能单元。该函数根据 Runnable 的输入模式自动选择创建 Tool（适合单一字符串输入）或 StructuredTool（适合多参数输入），并配置执行

get_all_basemodel_annotations 是 langchain_core.tools 模块中的一个函数，旨在从给定的 Pydantic BaseModel 类及其所有父类中收集字段的类型注解，返回一个字段名到类型的字典。该函数主要用于 LangChain 工具的输入模式生成，确保工具的 args_schema 包含所有继承的字段，特别是在处理复杂继承结构和泛型模型时。

create_schema_from_function 是 langchain_core.tools 模块中的一个函数，旨在从 Python 函数的签名（参数和类型注解）以及可选的文档字符串生成 Pydantic 模型。这种模型通常用作工具的 args_schema，确保工具输入的类型安全和结构完整性。该函数简化了 LangChain 工具创建过程，特别是在定义需要多参数输入的复杂工具时。

InjectedToolCallId 是 langchain_core.tools 模块中的一个注解，用于标记工具函数中的参数，使其在运行时自动接收工具调用 ID（tool call ID）。工具调用 ID 是一个唯一的字符串标识符，由系统在模型决定调用工具时生成，用于跟踪和管理工具调用。InjectedToolCallId 确保工具函数知道它正在响应哪个具体的工具调用，特别在多工具调用并行或顺序执行的场景中非常有用。

RetrieverInput 是一个 Pydantic 模型，定义了检索器工具的输入结构，通常包含一个查询字符串字段（query），用于指定要检索的内容。检索器工具是 LangChain 中用于从数据源（如向量存储或数据库）检索相关文档的工具，广泛应用于代理（Agents）、链（Chains）或检索增强生成（RAG）场景。RetrieverInput 确保输入符合预期格式，通过 Pydantic 的验证机制增强类型安全。

StructuredTool 是 langchain_core.tools 模块中的一个类，继承自 BaseTool，实现了 Runnable 接口。它允许开发者创建可以处理多个输入的工具，例如需要多个参数的数学运算、API 调用或数据处理任务。通过 Pydantic 模型定义输入结构，StructuredTool 确保输入验证和类型安全，与 LangChain 的代理（Agents）、链（Chains）和 LangChain Expression Language (LCEL) 无缝集成。

langchain_core.tools 模块提供了一套类和函数，用于创建、配置和管理工具。工具是封装特定功能的组件，例如数据检索、数学计算或 API 调用，允许语言模型通过调用工具与外部系统交互。该模块通过标准化的接口和灵活的配置选项，确保工具与 LangChain 的可运行对象（Runnable）生态系统无缝集成。通过基类（如 BaseTool）、工具实现（如 StructuredTool）和实用函数（如 @tool），支持开发者创建自定义工具并集成到复杂应用程序中。其支持输入验证、运行时注入和工件输出

langchain_core.tools.BaseTool 是 LangChain 框架中用于定义语言模型可调用工具的核心抽象基类。它提供标准接口，支持输入验证、错误处理、工件输出及与 LangChain 可运行对象的集成。开发者通过子类化 BaseTool 定义自定义工具，指定工具名称、描述、输入模式和执行逻辑。它与 @tool 装饰器和 InjectedToolArg 配合使用，适合构建复杂代理系统和模块化工作流。开发者应遵循最佳实践，利用类型提示、清晰描述和最新版本以充分发挥其潜力。

@tool 装饰器位于 langchain_core.tools.convert 模块，用于将 Python 函数或可运行对象转换为 BaseTool 对象，使其与 LangChain 的工具调用机制兼容。它通过分析函数签名和文档字符串，自动生成工具的名称、描述和参数模式，简化工具创建过程。该装饰器特别适合构建基于代理的系统、LangGraph 工作流或自定义链，允许模型调用外部功能并处理输出。

langchain_core.tools.InjectedToolArg 是 LangChain 库中用于工具调用参数注入的注解类，隶属于 langchain_core.tools 模块。它主要用于标记工具函数中的参数，表示这些参数应由运行时上下文（如代理或链）自动注入，而不是由用户输入或模型直接提供。InjectedToolArg 是一个类型注解工具，通常结合 Annotated 类型（来自 Python 的 typing 模块）使用，增强工具函数的灵活性和可维护性。

langchain_core.messages.SystemMessage 是 LangChain 库中用于表示系统消息的核心类，隶属于 langchain_core.messages 模块。它继承自 BaseMessage，专门用于向语言模型提供初始指令或上下文，以定义模型的行为、语气或角色。核心属性：content：指令内容（字符串或多模态）。role 和 type：固定为 "system"。additional_kwargs、example、id、name、response_metadata：可选字段

langchain_core.messages.HumanMessage 是 LangChain 库中用于表示人类用户输入消息的核心类，隶属于 langchain_core.messages 模块。它继承自 BaseMessage，专门用于封装用户在对话中的输入，如提问或指令，以便语言模型（如聊天模型）能够正确处理。核心属性：content：消息内容（字符串或多模态）。role 和 type：固定为 "human"。additional_kwargs：元数据。example 和 id：可选字段。

langchain_core.messages.ToolMessage 是 LangChain 库中用于表示工具调用结果的消息类，继承自 BaseMessage。它的主要作用是将外部工具（如搜索、计算器、数据库查询）的执行结果传递回语言模型（LLM）或代理（Agent），以便模型根据这些结果生成进一步的响应。核心属性：content：工具结果（通常为字符串）。tool_call_id：工具调用 ID。artifact：完整输出（可选）。additional_kwargs：元数据。role 和 type：固定

langchain_core.messages.AIMessage 是 LangChain 框架中 langchain_core.messages 模块的一个核心类，继承自 BaseMessage。表示聊天模型（如 ChatOpenAI、ChatAnthropic）在响应用户或系统输入时生成的消息。它包含 AI 的回答内容、工具调用请求（如果有）以及相关元数据。核心属性：content：消息内容。tool_calls：工具调用请求。invalid_tool_calls：错误工具调用。additional_k

在 LangChain 中，langchain_core.messages.BaseMessage 是 langchain_core.messages 模块中的核心抽象基类，用于表示对话中的消息。它为所有具体消息类型（如 HumanMessage、AIMessage、SystemMessage 等）提供了统一的接口和基础功能。BaseMessage 的设计目标是标准化消息的结构和行为，确保消息能够在聊天模型、代理、记忆模块和其他 LangChain 组件中无缝传递和处理。

在 LangChain 中，langchain_core.language_models 模块是核心模块之一，用于定义和管理语言模型（Language Models, LLMs）的接口和行为。它提供了语言模型的抽象基类，包括 BaseLanguageModel、BaseChatModel 和 BaseLLM，为聊天模型（如 ChatOpenAI）和生成模型（如 OpenAI）提供了统一的基础架构。这个模块的目标是标准化语言模型的交互方式，确保不同提供商的模型能够无缝集成到 LangChain 的链、代理、

在 LangChain 中，langchain_core.language_models.BaseChatModel 是一个抽象基类，定义了聊天模型的核心接口和行为。它是 LangChain 生态系统中所有聊天模型（如 ChatOpenAI等）的基石，提供了一致的 API 用于处理对话、工具调用和消息管理。核心方法：invoke、ainvoke：同步/异步调用。stream、astream：流式生成。batch、abatch：批量处理。bind_tools、with_structured_output：工具

在 LangChain 中，langchain.chat_models.init_chat_model 是一个用于初始化聊天模型的便捷函数，旨在简化跨多种 LLM 提供商（如 OpenAI、Anthropic、Google、Mistral 等）的模型创建过程。它提供了一个统一的接口，根据指定的模型名称和提供商自动配置并返回一个聊天模型实例，减少手动导入和配置的复杂性。参数：model：模型名称。model_provider：提供商（如 openai、anthropic）。temperature、max_to

在 LangChain 中，langchain_core.messages 模块是用于定义和管理消息对象的核心组件，广泛应用于聊天模型、代理（Agents）和对话链（Conversational Chains）。消息对象表示用户、模型、工具或其他实体之间的交互内容，通常用于构建对话上下文、传递工具调用结果或维护对话历史。核心类：HumanMessage：用户输入。AIMessage：模型响应，支持工具调用。SystemMessage：系统指令。ToolMessage：工具结果。ChatMessage：自定义

langchain_tavily 是一个 LangChain 的官方集成包，用于将 Tavily 的搜索和内容提取功能与 LangChain 的生态系统无缝连接。Tavily 是一个专为大型语言模型（LLM）和 AI 代理设计的搜索引擎，旨在提供实时、准确、事实性的搜索结果，特别适合检索增强生成（RAG）等 AI 工作流。通过 langchain_tavily，开发者可以轻松在 LangChain 应用中集成 Tavily 的搜索和提取工具，增强代理或链的实时信息检索和内容分析能力。

在 LangChain 中，RunnableConfig 是一个核心配置对象，用于控制和自定义 LangChain 中 Runnable 对象的执行行为。Runnable 是 LangChain 的基础构建块，涵盖了链（Chains）、代理（Agents）、工具（Tools）等组件。主要字段：callbacks：记录事件。max_iterations：限制循环。max_execution_time：设置超时。metadata：传递上下文。tags、run_name：分类和命名。configurable：动态

LangChain 中 模型调用时使用的ainvoke() 方法的 config 参数（RunnableConfig）支持以下设置：tags: 任务标签，分组或过滤。metadata: 元数据，记录上下文。callbacks: 回调函数，监控事件。run_name: 运行名称，便于跟踪。max_concurrency: 并发限制，优化资源。recursion_limit: 递归深度，防止循环。configurable: 动态参数，如超时。

LangServe 是一个强大且易用的工具，可以将 LangChain 应用程序快速部署为 REST API。通过简单的几行代码，你可以将复杂的 LLM 工作流（如链、代理、RAG 系统）暴露为高性能的 API，适用于快速原型开发和生产部署。它的 Playground 界面、流式支持和与 FastAPI 的集成使其在开发和调试中非常高效。

LangServe 是一个用于将 LangChain 应用程序快速部署为 REST API 的工具。它是 LangChain 生态系统的一部分，旨在帮助开发者将基于语言模型（LLM）的应用程序以服务化的方式暴露给外部系统或用户。通过 LangServe，你可以轻松地将复杂的 LangChain 工作流（例如链式调用、代理、工具集成等）转化为可通过 HTTP 请求调用的 API 接口，方便集成到其他应用程序或前端界面中。

LangSmith 是一个功能强大的平台，通过追踪、数据集管理、评估和监控，简化了 LLM 应用的开发和运维。使用步骤包括：1. 注册账户，安装依赖，配置环境变量。2. 使用 Tracing 调试复杂工作流。3. 创建数据集，运行批量测试。4. 自动化评估，优化模型性能。5. 部署后监控生产环境，支持团队协作。

LangSmith 是一个功能全面的 LLM 应用开发平台，通过追踪、数据集管理、评估和监控等功能，帮助开发者从原型到生产高效构建可靠的 LLM 应用。它特别适合基于 LangChain 的项目，但也支持其他 LLM 框架。无论你是想调试复杂的工作流、优化模型性能，还是监控生产环境中的应用，LangSmith 都能提供强大的支持。

langchain.globals 模块是 LangChain 中管理全局配置的核心，包含以下关键函数：set_llm_cache / get_llm_cache: 配置和获取 LLM 缓存。set_verbose / get_verbose: 控制日志详细程度。set_debug / get_debug: 启用深入调试。set_max_concurrency / get_max_concurrency: 限制并发量。