原创
heyong
heyong
AI安全圈
2026年1月3日%2011:53
安徽
在小说阅读器读本章
去阅读
★
计划花费20~30篇幅，来做一套人工智能笔记，纯享版。内容涉及的产品细节不一定是最新的，但忠于实验记录，方便网络安全或其他行业的同学快速地了解AI技术，起到短、平、快的作用。
Langchain是当前大语言模型（LLM）应用开发领域最核心的开源工程框架之一，通过模块化封装实现了模型调用、数据检索、上下文管理、工具集成等核心能力，显著降低了AI应用的开发复杂度。其分层架构支持跨模型、跨工具的灵活扩展，而嵌入式表达式语言（LCE）则提供了简洁的模块串联方式。Langgraph作为Langchain生态的核心扩展，基于有向图（支持循环）实现了复杂工作流的可视化编排，特别适用于高级智能体（Agent）的迭代式开发。
Langchain并非大语言模型本身，而是一套面向LLM应用开发的\"胶水框架\"——通过封装主流大模型（开源/闭源）、数据处理工具、向量数据库等组件，提供统一的API接口，让开发者无需关注底层集成细节，专注于业务逻辑实现。其核心价值体现在：
- 跨模型兼容：支持OpenAI、Anthropic、通义千问（Qwen3系列）、智谱清言、字节豆包等国内外主流LLM，以及Llama%204、Mistral、Qwen3等开源模型的本地化部署调用；
- 工具生态丰富：内置超过150种第三方工具集成（搜索、文件处理、数据库操作、代码执行等），且支持自定义工具扩展；
- 工程化特性完备：提供上下文记忆（Memory）、回调监控（Callback）、结果解析（Output%20Parser）等工程化能力，满足生产级应用需求。
Langchain%201.0稳定版进一步精简架构，保持三大核心模块的同时，强化了模块间的兼容性与稳定性，承诺至2.0版本前无破坏性更新：
| 模块 | 核心作用 | 代表组件 |
|---|---|---|
| Langchain-Core | 核心抽象层（必装）：定义框架基础接口（Runnable协议、提示词模板、输出解析器等），1.0版本统一了各组件接口规范 | PromptTemplate、BaseLLM、OutputParser、Memory |
| Langchain-Community | 社区组件层（按需安装）：第三方模型、工具、向量数据库的集成实现，2025年新增大量国产模型与安全工具集成 | OpenAI、Milvus、SerpAPI（搜索工具）、PyPDFLoader（PDF解析）、ChatTongyi、Doubao |
| Langchain-Ecosystem | 生态扩展层：高级应用框架（Agent、Langgraph、RAG流水线），新增deepagents子模块支持长周期自主智能体开发 | AgentExecutor、StateGraph、RetrievalPipeline、deepagents |
LangSmith已升级为LangSmith%20Suite，包含Deployment（部署）与Studio（开发）两大子产品，新增无代码Agent构建器（私有预览版）、多轮评估（Multi-turn%20Evals）等功能，支持Okta%20SCIM+SSO企业级身份认证集成，同时推出自托管（Self-Hosted）v0.12版本，满足隐私敏感场景需求。
Langchain的功能围绕\"数据输入→处理→模型调用→结果输出\"的全流程展开，核心分为六大模块：
-
核心类型：
-
大语言模型（LLMs）：文本补全类模型（如GPT-4o、Qwen3-235B-A22B）；
- 聊天模型（ChatModels）：基于消息列表的对话式模型（如GPT-4o、通义千问Chat、字节豆包），支持System/Human/AI角色定义，2025年新增消息自动格式转换功能，支持字符串直接输入自动转为HumanMessage；
- 嵌入模型（EmbeddingModels）：将文本转换为向量（如text-embedding-3-large、Qwen3-Embedding）；
用于处理非结构化数据（文档、图片、音频等），为检索增强生成（RAG）提供数据支撑：
- 文档加载器（DocumentLoaders）：支持PDF、Word、PPT、HTML、图片（OCR）、音频（语音转文字）等15+格式，2025年新增多模态文档统一加载接口；
- 文档转换器（DocumentTransformers）：新增敏感信息自动脱敏功能，适配企业级数据处理需求；
- 文本分割器（TextSplitters）：新增语义相关性分割优化算法，支持长文本（128K上下文）的智能分割，适配Qwen3等长上下文模型。
- 支持主流向量数据库：Milvus、Zilliz%20Cloud、Chroma、Pinecone、FAISS等，2025年新增Oracle、MySQL向量存储适配模块；
- 核心能力：将分割后的文本块通过Embedding模型转换为向量并存储，支持相似度检索（余弦相似度、欧氏距离）；强化多模态向量存储（文本+图片+音频）支持，新增向量数据生命周期管理与增量更新优化。
- 定位：向量数据库的\"查询接口\"，输入查询文本→生成向量→匹配最相关的文本块；
- 高级特性：2025年新增检索结果智能重排（Reranking）优化，结合大模型语义理解提升检索精准度，支持基于权限的检索过滤。
用于保存对话历史或Agent运行状态，解决LLM\"无状态\"问题，核心类型及适用场景：
| 记忆类型 | 核心原理 | 适用场景 |
|---|---|---|
| ConversationBufferMemory | 完整保存所有对话历史 | 短对话、需要完整上下文的场景 |
| ConversationWindowMemory | 仅保存最近k条消息（窗口大小可配置） | 长对话、减少Token消耗 |
| ConversationSummaryMemory | 用LLM总结对话历史并存储，2025年新增多轮总结压缩优化，降低Token消耗 | 超长篇对话、节省API成本 |
| KnowledgeGraphMemory | 构建实体关系图谱，基于图谱存储对话关键信息 | 需要实体关联的场景（如客服） |
| EntityMemory | 提取对话中的实体（人物、事件、数值）并存储 | 实体追溯、信息校验 |
| VectorStoreMemory | 将对话历史存储到向量数据库，支持相似性检索 | 历史对话快速查询、多轮问答 |
生产环境中可结合Redis等缓存数据库实现Memory持久化，2025年Langchain-Community新增Memory与数据库的无缝同步接口，避免服务重启后状态丢失。
-
核心类型：
-
普通模板（PromptTemplate）：支持变量替换（如\"请解释{concept}的定义\"）；
- 聊天模板（ChatPromptTemplate）：绑定角色（System/Human/AI），适合ChatModels；
-
消息模板（MessagePromptTemplate）：动态生成单条消息；
-
高级特性：支持模板验证（变量必填校验）、模板继承（复用基础模板）、多语言模板、团队协作场景。
将LLM的自然语言输出转换为结构化数据，常用解析器：
- JsonOutputParser：解析为JSON格式（需在提示词中指定JSON%20schema）；
- PydanticOutputParser：基于Pydantic模型解析，支持数据类型校验（如整数/字符串/列表）；
- StructuredOutputParser：自定义结构化格式（如CSV、XML）；
用于监控LLM调用过程、记录日志或自定义事件处理，核心回调场景：
- 日志记录：记录提示词、响应结果、API耗时、Token消耗，2025年支持与LangSmith%20Insights%20Agent联动，自动分析日志模式；
- 结果监控：实时监控响应内容，触发告警（如出现敏感信息）；
- 自定义处理：如调用成功后自动保存结果到数据库，调用失败后自动重试。
from langchain_core.callbacks import BaseCallbackHandler
from langchain_community.chat_models import ChatTongyi
class LoggingCallback(BaseCallbackHandler):
%20 def on_chain_start(self,%20serialized,%20inputs,%20**kwargs):
%20 %20 %20 %20print(f\"开始执行：{serialized['name']}\")
%20 %20 %20 %20print(f\"输入：{inputs}\")
%20 def on_chain_end(self,%20outputs,%20**kwargs):
%20 %20 %20 %20print(f\"执行结束，输出：{outputs}\")
#%20使用回调调用通义千问2025最新版模型
llm%20=%20ChatTongyi(model=\"qwen-turbo-2025-04-28\")
llm.invoke(\"解释图计算的定义\",%20callbacks=[LoggingCallback()])
Langchain%201.0版本显著强化了Agent的工程化能力，2025年Agent开发已从\"可行性验证\"进入\"可靠性交付\"阶段，核心聚焦结果质量与响应延迟的平衡优化。最新更新如下：
| Agent类型 | 核心原理 | 适用场景 |
|---|---|---|
| ReactAgent | 基于React思维链（思考→行动→观察），支持多轮工具调用 | 复杂推理任务（如数据分析） |
| StructuredToolAgent | 支持结构化工具（带参数校验），适合需要精确参数的场景 | API调用、数据库查询 |
| JSONChatAgent | 基于JSON格式进行工具调用，稳定性更高 | 生产级应用、高可靠性需求 |
| AutoGPTAgent | 自动设定子目标，无需人工干预，支持长周期任务，依托deepagents模块实现 | 自动化办公、复杂项目管理 |
| CRAKENAgent | 基于CRAKEN框架的安全领域专用Agent，支持任务关键信息分解与知识提示注入 | 漏洞应急响应、安全审计 |
- 内置工具：新增安全领域专用工具集（漏洞库查询、端口扫描、日志分析），适配网络安全场景；
- 自定义工具：通过
@tool装饰器快速定义，支持参数描述、类型校验（基于Pydantic）； - 工具集（Toolkits）：将相关工具打包（如SQLDatabaseToolkit包含查询、插入、删除等工具）。
- 用户输入请求（如\"查询2025年网络安全漏洞情况，并生成分析报告\"）；
- Agent接收请求，结合System%20Prompt和工具描述列表，调用LLM分析需求，通过模型路由选择适配模型；
- LLM生成工具调用指令（如调用搜索工具查询产业规模数据）；
- Agent执行工具调用，获取外部数据（如搜索结果）；
- Agent将工具返回结果回传给LLM，LLM生成最终响应（如分析报告）；
- 结果通过Output%20Parser解析后返回给用户，同时日志自动同步至LangSmith进行全链路追踪。
基于CRAKEN框架构建漏洞应急响应Agent，集成NVD漏洞库查询工具、Nessus扫描工具、修复方案推荐工具，通过迭代式自我反思机制提升漏洞分析精准度，实现\"漏洞预警→扫描验证→修复建议→效果评估\"全流程自动化。
Langgraph是Langchain生态于2024年1月推出的图结构工作流框架，2025年10月发布1.0正式版，成为首个生产级稳定的智能体工作流框架。其基于有向图（Directed%20Graph）实现复杂流程编排，核心解决传统线性工作流无法满足的迭代式场景（如Agent多轮推理、循环任务处理）。其核心优势：
- 循环支持：突破传统DAG（有向无环图）限制，支持节点间循环跳转（如\"工具调用→结果分析→再次调用工具\"）；
- 状态管理：通过全局State对象维护工作流上下文，所有节点共享并更新状态，1.0版本新增状态持久化与断点续跑功能；
- 人机交互（Human-in-the-Loop）：支持在工作流中插入人工干预节点，中断执行等待人工输入；
- 可视化调试：支持将图结构导出为PNG/SVG格式，直观查看流程走向，2025年新增实时流程监控面板，集成LangSmith%20Studio；
- 多语言支持：推出Langgraph4j版本，支持Java生态开发，新增MySQL、Oracle状态保存模块。
State%20Graph是Langgraph的基础，通过\"状态（State）+%20节点（Node）+%20边（Edge）\"定义工作流，1.0版本统一了状态管理接口：
- 本质：工作流的全局上下文，所有节点共享并更新，可理解为\"动态字典\"；
- 定义方式：基于Python%20TypedDict或Pydantic模型，明确状态字段类型（如对话历史、工具结果、任务状态等）；
- 更新规则：每个节点执行后返回的结果会自动合并到State中（支持部分更新、覆盖更新），1.0版本支持状态增量同步与版本控制。
- 作用：工作流中的具体操作单元，每个节点对应一个函数或Runnable对象；
-
类型：
-
功能节点：执行具体业务逻辑（如调用LLM、调用工具、数据处理）；
- 条件节点：判断流程走向（如根据工具结果决定继续调用还是结束）；
-
结束节点：标记工作流终止（使用
langgraph.graph.END）； -
定义方式：通过
add_node(name,%20func)添加，func为普通函数或Runnable对象。
-
作用：定义节点间的流转关系，分为三种类型：
-
普通边：固定流转（如\"LLM节点→工具节点\"）；
- 条件边：根据条件函数返回值决定流转方向（如\"条件节点返回'success'则指向结束节点，否则指向工具节点\"）；
- 开始边：指定工作流入口节点（通过
set_entry_point(node_name)设置）；
通过get_graph().draw()方法将图结构导出为图片，需安装依赖：
pip%20install%20matplotlib%20graphviz
评论