以下内容根据AI对话生成，如有雷同，纯属巧合
1. 链式调用 (Chaining)
这是最基本也是最常见的模式。它指的是将多个 LLM 调用、数据处理步骤或工具调用按顺序连接起来，形成一个连贯的工作流。前一个步骤的输出是后一个步骤的输入。
- 要解决的问题：单一 LLM 调用无法完成复杂任务。
- 核心思想：“分而治之”。将一个复杂任务分解为多个简单的、可顺序执行的子任务。
- LangChain 实现：使用
LLMChain,SequentialChain,TransformChain等。 - 类比：就像在工厂的流水线上，产品（数据）经过一道道工序（LLM或处理函数），每一步都为其增加价值，最终形成完整的产品。
示例：翻译+总结
一个经典的链式调用是先将一段外语文档翻译成中文，再对中文内容进行总结。
- 链的第一步：输入 = “一段德语文本”，调用
LLMChain_1（提示：“请将以下德语翻译成中文：{input}”）-> 输出 = “中文翻译文本”。 - 链的第二步：输入 = “中文翻译文本”，调用
LLMChain_2（提示：“请总结以下中文文本的要点：{input}”）-> 输出 = “总结要点”。
2. 代理与工具使用 (Agents & Tool Use)
这是最强大、最接近“智能”的模式。代理模式将 LLM 视为一个推理引擎（大脑），它来决定为了回答问题需要采取哪些行动（Actions），即调用哪些工具（Tools）。
- 要解决的问题：LLM 的内部知识可能过时、不专业或无法访问外部世界（如计算、搜索、查询数据库）。
- 核心思想：“赋予 LLM 使用工具的能力”。让 LLM 自主规划、决策和执行，从而扩展其能力边界。
- LangChain 实现：使用
Agent、Tool和AgentExecutor。常见的代理类型有ZERO_SHOT_REACT_DESCRIPTION,CONVERSATIONAL_REACT_DESCRIPTION。 - 类比：你（LLM）是一个经理，有一个任务要做。你手下有各种专家（工具）：会计师（计算器）、研究员（搜索引擎）、秘书（日历API）。你分析任务（“我需要先知道今天的天气，然后计算一下出行成本”），然后命令相应的专家去执行，最后综合所有结果做出决策。
示例：回答复杂问题
- 用户问题：“埃隆·马斯克(Elon Musk)最近在推特上发了什么？他提到的公司当前股价是多少？”
- 代理的工作流程：
- 思考：要回答这个问题，我需要做两件事：1. 获取马斯克的最新推文。2. 查询相关公司的股价。
- 行动：调用
google_search_tool，输入查询：“Elon Musk latest tweet”。 - 观察：获得推文内容，比如是关于 SpaceX 的。
- 思考：推文是关于 SpaceX 的，但我需要查的是股价。SpaceX 是私有公司，没有股价。可能用户指的是特斯拉(TSLA)？我应该查一下特斯拉的股价。
- 行动：调用
stock_price_tool，输入：“TSLA”。 - 观察：获得特斯拉当前股价为 $XYZ。
- 最终回答：“埃隆·马斯克的最新推文内容是：‘为SpaceX团队感到骄傲！’。这条推文主要提及了SpaceX，但SpaceX是私有公司，无公开股价。如果您感兴趣的话，特斯拉(TSLA)当前的股价是 $XYZ。”
3. 检索增强生成 (RAG - Retrieval-Augmented Generation)
RAG 模式用于解决 LLM 的“知识滞后”和“幻觉”问题。它通过在生成答案前，先从外部知识库（如你的文档、数据库）中检索相关信息，并将这些信息作为上下文提供给 LLM，从而让 LLM 生成更准确、更相关的答案。
- 要解决的问题：LLM 的内部知识有截止日期，且无法获取非公开的、私有的或特定领域的信息。
- 核心思想：“先检索，后生成”。为 LLM 提供相关的参考依据，让它“有据可依”地回答问题。
- LangChain 实现：使用
Document Loaders,Text Splitters,Vectorstores(Chroma, FAISS),Embeddings, 和RetrievalQA链。 - 类比：开卷考试。LLM 是一个聪明的学生，但它的记忆（闭卷）可能不完整或过时。在考试（回答用户问题）时，允许它先去查阅相关的教科书和笔记（外部知识库），然后基于这些资料组织出最好的答案。
示例：公司内部知识库问答
- 预处理（线下）：将公司所有的员工手册、API文档、项目报告等加载并分割成块，转换为向量（Embeddings），存入向量数据库。
- 用户提问：“我们公司的年假政策是怎样的？”
- 检索：系统将用户问题也转换为向量，并在向量数据库中搜索与之最相似的文本块（即最相关的政策段落）。
- 增强：将检索到的政策段落作为上下文，和原始问题一起组合成一个新的、更丰富的提示词（Prompt）。
- 生成：LLM 根据这个“富含上下文”的提示词生成准确答案：“根据公司2023年员工手册第X章规定，年假政策为...”
4. 记忆 (Memory)
LLM 本身是无状态的（Stateless），这意味着它默认不会记住之前的对话内容。记忆模式旨在让应用能够在多轮对话中记住之前的交互信息，从而实现连贯的对话。
- 要解决的问题：LLM 的“金鱼记忆”，无法进行连贯的多轮对话。
- 核心思想：在应用程序层面维护一个“记忆体”，存储历史对话，并在每次调用 LLM 时自动将其作为上下文注入。
- LangChain 实现：使用
ConversationBufferMemory,ConversationSummaryMemory,ConversationBufferWindowMemory等。 - 类比：聊天时看聊天记录。每次你回复对方时，都可以看到之前聊过的所有内容，这样你的回复才能贴合上下文。
示例：
- 用户：“什么是LangChain？” -> AI：（解释LangChain...）
- 用户：“它用什么语言编写？” -> 如果没有记忆，AI 不知道“它”指代什么。
- 有记忆：记忆体包含了上一轮对话的历史
[Human: 什么是LangChain?, AI: LangChain是一个...的框架]。系统会将记忆和当前问题组合成提示：“之前的对话：...[如上]...\n当前问题：它用什么语言编写？\n回答：”。LLM 就能明白“它”指的是 LangChain，并回答“主要使用Python编写”。
- 有记忆：记忆体包含了上一轮对话的历史
总结与关系
这些模式并非互斥，而是常常组合使用，构建出极其强大的应用：
- 一个高级代理很可能内部使用了 RAG 来检索知识，并使用 链式调用 来处理检索到的内容。
- 一个对话机器人肯定会使用 记忆 模式，并且可能会在后台使用 RAG 来查询产品信息，甚至启动一个代理来完成用户指令（如订餐、查询订单）。
| 模式 | 要解决的核心问题 | 好比是... |
|---|---|---|
| 链式调用 (Chaining) | 单一调用无法处理复杂任务 | 工厂流水线 |
| 代理与工具 (Agents) | LLM 无法与外部世界互动 | 经理指挥专家团队 |
| 检索增强生成 (RAG) | LLM 知识过时/缺乏内部知识 | 开卷考试 |
| 记忆 (Memory) | LLM 无法记住对话历史 | 查看聊天记录 |
)
