RAG标准流程
RAG = 模型 + 相关已拆分的文档片段 -》生成可靠回答
Step 1 索引
- 结构化、非结构化资料，经由人工精处理后，做成源知识库。
- word、ppt、pdf、图片等
- 能用行列表格标识的是结构化数据
- 人工处理异常值、重复值
- 文本提取&文本分块。
- 转化为纯字符串
- 把字符串分成文本区块chunk
- embedding词向量嵌入，等于给分块贴上特征标签
Step 2 检索
- 问题词向量化
- 给问题贴特征标签
- 向量库匹配，找标签最相似的chunk
Step 3 生成
- 结合原始问题和参考chunk，打包成Prompt交付LLM。
- 模型根据信息回答，而不是瞎猜。
经典LangChain
LangChain 的核心思想是：把“外部知识、记忆、提示词、模型”这些散件标准化成可组合的组件，再用 Chains/Agents 串起来跑通一个 LLM 应用。图上的主线就是一条典型 RAG + 对话的数据流。
组件
- Index（索引）—— 处理“各类外部文件”
图左上角：各类外部文件 → Index。Index 负责 RAG 的“检索侧”全流程：
- Load：DocumentLoaders 加载 PDF/网页/数据库等异构源
- Split：TextSplitter 把长文档切块（chunk）
- Embed：Embedding 模型把块向量化
- Store + Retrieve：存进 VectorStore，查询时由 Retriever 按相似度取回 top-k
面试关键词：loader → splitter → embedding → vector store → retriever 这条链。
- Prompts（提示词）—— 三路输入的汇聚点
图中它是核心枢纽，收三路输入：用户提问 + Index 检索到的上下文 + Memory 的历史对话。LangChain 里对应 PromptTemplate / ChatPromptTemplate，用变量占位符把这几路内容组装成最终 prompt。
prompt = ChatPromptTemplate.from_template(
"根据以下上下文回答问题：\n{context}\n\n历史：{history}\n\n问题：{question}"
)
它的价值是模板复用 + 动态组装，而不是把 prompt 硬编码在代码里。
- Memory（记忆）—— 和 Models 形成闭环
注意图里那条回流箭头：Models 的输出会写回 Memory，下一轮再注入 Prompts。这就是多轮对话的机制。常见形态：
- ConversationBufferMemory：原样存历史
- ConversationSummaryMemory：存摘要，省 token
- ConversationBufferWindowMemory：只留最近 N 轮
- Models（模型）—— 统一的 LLM 抽象层
LangChain 把模型调用封装成统一接口，换模型不改业务代码：
- LLM：纯文本进、文本出（补全式）
- ChatModel：消息列表进（system/user/assistant）、消息出（对话式，主流）
- Chains（链）—— 底层编排之一
图中横在下面的长条，意思是它贯穿编排上面的组件。Chain 把多个组件按顺序串联：检索 → 填模板 → 调模型 → 解析输出。现代写法是 LCEL（LangChain Expression Language），用 | 管道操作符：
chain = retriever | prompt | model | StrOutputParser()
chain.invoke("什么是RAG？")
链是静态的——流程固定，每步做什么提前定好。
- Agents（智能体）—— 底层编排之二，比 Chains 高阶
Agent 是动态的：由 LLM 自己决定下一步做什么。核心循环就是我记过的 ReAct（Thought → Action → Observation），模型看到用户请求后，自主选择调用哪个 Tool、调用几次、什么时候给出最终答案。适合流程无法预先确定的场景。
| Chains | Agents | |
|---|---|---|
| 流程 | 静态，预定义 | 动态，LLM 自主决策 |
| 决策者 | 开发者写死 | 模型运行时判断 |
| 可控性/成本 | 高可控、低开销 | 灵活但慢且贵 |
| 场景 | 流程固定的 RAG/问答 | 需要多工具、多步推理的复杂任务 |
总结
LangChain 六大核心组件：Models 统一封装 LLM/ChatModel 接口；Prompts 用模板组装用户问题、检索上下文和历史记忆；Index 负责 RAG 检索侧的 loader→splitter→embedding→vectorstore→retriever 流程；Memory 保存对话历史并与模型输出形成回写闭环；底下 Chains 用类似 LCEL 的管道把组件静态串联，Agents 则由 LLM 通过 ReAct 循环动态决策调用工具。整幅图的数据流就是一个典型 RAG 问答：外部文件经 Index 检索、用户问题和 Memory 汇入 Prompts、交给 Models 推理、结果输出并写回记忆。
补一句加分项：这套图是经典版架构，LangChain 0.1+ 之后 Memory 的角色弱化、多轮状态管理推荐用 LangGraph（基于图的状态机），编排统一走 LCEL。