LangChain 的工作原理是将不同的组件“链接”在一起，为依托 LLM 的应用创建连贯的工作流。这种模块化方法将基于语言的复杂 AI 系统分解为可重复使用的各个部分。当用户提交查询时，LangChain 可以通过一系列步骤处理此输入。

例如，典型的工作流可能涉及：

1. 接收用户查询。
2. 处理查询，可能会转换查询或使用查询从外部数据源中搜索相关信息。
3. 检索必要的数据，这可能涉及连接到数据库、API 或其他存储库。LangChain 提供了各种文档加载器，用于集成来自众多来源的数据。
4. 将检索到的信息连同原始查询一起传递给 LLM。
5. LLM 根据提供的上下文和用户输入生成回答。
6. 然后，生成的回答会返回给用户。

通过这种链接方法，开发者可以定义应用处理用户的请求并创建回答所采取的一系列操作。LangChain 将这些步骤简化为组件，因此可以更容易地构建需要与 LLM 或外部资源进行多次交互的应用。该框架还提供了使用不同 LLM 的方法，让开发者可以自由选择最适合其特定应用的模型。

详细了解如何将 LangChain 与 Vertex AI 搭配使用。

LangChain 提供了一系列功能，旨在促进开发依托 LLM 的应用。这些功能围绕着一个核心概念，那就是帮助管理与模型的互动、连接到数据以及编排复杂的行为。

• 多功能数据集成：与结构化数据库到非结构化文本等各种数据源无缝集成，实现全面的语言理解和分析。
• 高效的数据检索和缓存：高效检索和缓存数据，确保更快地访问语言数据，并最大限度地缩短模型推理过程中的延迟时间。

• 支持多个链：允许在单个执行链中同时运行多个语言模型，从而提高协作和协调能力。
• 灵活的链接拓扑：帮助用户配置和优化链中语言模型的排列，以实现高效执行和最佳资源分配。

• 多代理通信和交互：LangChain 支持创建和部署多个语言理解代理，从而实现模型之间的复杂协作和协调。
• 集中式代理协调：为语言理解代理提供集中式协调和监督，确保在多代理系统中高效分配任务和管理资源。

• 可扩展的外部记忆：整合了自定义外部记忆模块，让用户可以扩展和自定义记忆管理，以满足特定要求。
• 自适应上下文分配：LangChain 使用自适应算法进行记忆分配，优化资源利用率，实现高效的上下文存储和检索。