LangChain Learning Path

LangChain 术语表 ​

阅读章节时如果你总在 Runnable、Retriever、Trace 这些词之间来回跳，这一页就是统一查询入口。建议把它当成“读到陌生词时先回来对齐定义”的速查表，而不是替代章节正文。

这页怎么用 ​

  • 想知道某个词“解决什么问题”，先看“一句话理解”
  • 想知道它在课程哪一章重点出现，直接看“重点章节”
  • 想避免把相近概念混在一起，优先看“不要混淆”

快速索引 ​

Runnable ​

  • 一句话理解：Runnable 是 LangChain 里可被统一调用、可组合、可串联的执行单元。
  • 它解决什么问题：让 Prompt、模型、解析器和自定义步骤能用同一套接口接起来，而不是每个组件各写一套调用方式。
  • 在这个项目里：第 2 章会把 AI 学习助手 的最小链拆成多个可组合步骤，帮助你理解为什么后续 RAG、Agent、工作流都能沿着同一接口扩展。
  • 重点章节：第 2 章：LangChain 核心抽象
  • 不要混淆：Runnable 是“组件接口”，不是“完整应用架构”。

LCEL ​

  • 一句话理解：LCEL 是 LangChain Expression Language，用来把多个 Runnable 用表达式方式串成链。
  • 它解决什么问题：把“步骤怎么连接”写得更短、更清楚，减少手写胶水代码。
  • 在这个项目里：你会先用 prompt | model | parser 这种最小模式理解链路，再把它迁移到后面的结构化输出、RAG 和更复杂流程。
  • 重点章节：第 2 章：LangChain 核心抽象
  • 不要混淆：LCEL 是组织步骤的方式，不负责检索、决策或状态管理。

Retriever ​

  • 一句话理解：Retriever 负责回答“面对一个问题，我应该先找哪些资料片段”。
  • 它解决什么问题：把“找相关上下文”和“生成最终回答”分开，避免模型直接凭记忆乱答。
  • 在这个项目里：AI 学习助手 会先从课程文档里检索相关片段，再把片段交给模型组织答案。
  • 重点章节：第 5 章：RAG 入门 、第 6 章：RAG 进阶优化
  • 不要混淆：Retriever 负责“找什么”，不是“怎么说”。最终措辞通常还是由生成链负责。

Vector Store ​

  • 一句话理解：Vector Store 是保存文本向量和原始片段的索引层，支持相似度检索。
  • 它解决什么问题：让系统能把大批资料先存成可查询结构，再按问题快速召回可能相关的内容。
  • 在这个项目里：课程文档先被切分、向量化，再存进 Vector Store，后续 Retriever 才能从里面挑出候选片段。
  • 重点章节：第 5 章：RAG 入门
  • 不要混淆：Vector Store 是“存和查的底座”，Retriever 是“面向问题的检索入口”。

Tool Calling ​

  • 一句话理解：Tool Calling 是模型按约定格式请求外部工具执行动作的能力。
  • 它解决什么问题：让模型不只会生成文本，还能显式调用搜索、查询、计算这类外部能力。
  • 在这个项目里：学习助手可以查询章节目录、读取章节摘要、生成练习题，而不是只靠内部知识硬答。
  • 重点章节：第 7 章：Tools 与 Agent 、第 9 章：评估、观测与调试
  • 不要混淆：Tool Calling 只说明“模型能请求工具”，不自动等于“系统会自主规划多步流程”。

Agent ​

  • 一句话理解：Agent 是让模型根据当前上下文决定是否调用工具、调用哪个工具、以及何时结束的一种运行方式。
  • 它解决什么问题：当流程无法预先写死时，用动态决策把多个能力串起来。
  • 在这个项目里：学习助手面对“先查大纲，再读章节摘要，最后生成练习题”这类不固定任务时，会比固定链更灵活。
  • 重点章节：第 7 章：Tools 与 Agent
  • 不要混淆：Agent 不是默认更高级的链。流程稳定时，固定链通常更便宜、更稳、更好调试。

LangGraph State ​

  • 一句话理解：LangGraph State 是工作流执行过程中共享、会被节点不断读写的状态对象。
  • 它解决什么问题：让复杂流程不只依赖当前输入，还能保留路由结果、检索结果、工具结果和中间决策。
  • 在这个项目里：学习助手从“会用工具”升级到“会组织工作流”时，需要用状态记录自己现在在哪一步、下一步该去哪里。
  • 重点章节：第 8 章：LangGraph 工作流
  • 不要混淆：State 不是数据库表，也不是聊天记录的全部，它首先是当前工作流的共享上下文。

Trace ​

  • 一句话理解：Trace 是一次请求从输入到输出的关键中间步骤记录。
  • 它解决什么问题：帮你定位问题到底出在检索、工具调用、提示词、状态转移，还是最终生成阶段。
  • 在这个项目里：你会用 trace 观察检索到了什么、工具有没有被调用、哪一步抛错，而不是只盯着最后回答。
  • 重点章节：第 9 章：评估、观测与调试
  • 不要混淆：Trace 不等于一行日志。它更强调完整链路和步骤间因果关系。

Evaluation ​

  • 一句话理解：Evaluation 是用固定问题集和明确标准判断系统效果是否真的变好。
  • 它解决什么问题：避免“我手测几次感觉还行”的错觉，把效果比较变成可记录、可复查的过程。
  • 在这个项目里：学习助手会为基础概念题、RAG 问答题、工具调用题建立最小评估集，作为回归基线。
  • 重点章节：第 9 章：评估、观测与调试
  • 不要混淆：Evaluation 关注“质量是否达标”，Trace 关注“运行时发生了什么”。

怎么把这些词串起来 ​

如果按这套课程的主线去理解，可以把它们串成一条升级路径：

  1. 先用 Runnable 和 LCEL 搭出可组合的最小链。
  2. 再引入 Vector Store 和 Retriever，让系统能基于资料做 RAG。
  3. 然后通过 Tool Calling 和 Agent 让系统获得外部能力与动态决策。
  4. 当流程更复杂时，用 LangGraph State 把中间状态显式化。
  5. 最后用 Trace 和 Evaluation 判断系统哪里出错、效果有没有真的变好。

如果你正在章节里反复遇到这些词，建议顺着上面的顺序回看，而不是单独死记名词。