LangChain学习

Fri, 22 May 2026 13:56:39 +0800

Assisted-by deepseek

LangChain Agent 几大组件链接到标题

LangChain 里的 Agent 本质上是一个由 LLM 驱动的决策循环：模型根据当前状态决定下一步做什么（调用工具还是结束），执行后更新状态，再进入下一轮。拆开来看，主要由下面几个组件构成。

1. Model（模型）链接到标题

Agent 的"大脑"，负责理解上下文并做出决策。在 LangChain 中使用 ChatModel 进行绑定，通常需要配合 .bind_tools(tools) 将可用工具列表注入给模型，这样模型才知道自己能调用哪些工具。

调用模型时传入消息序列（系统提示 + 历史对话 + 当前状态），模型返回一个 AIMessage。如果模型认为需要调用工具，返回的消息中会携带 tool_calls 字段，包含工具名和参数；如果可以直接回答，则返回普通文本。

2. Tools（工具）链接到标题

工具是 Agent 与外部世界交互的手段——搜索、计算、查数据库、调 API 等。在 LangChain 中用 @tool 装饰器或 StructuredTool 定义，核心是：

name：工具的唯一标识
description：告诉模型这个工具做什么、什么时候该用它
args_schema：输入参数的 schema（模型据此生成正确的调用参数）

工具的描述质量直接影响模型的调用准确率，所以 description 需要写清楚"何时用、输入什么、输出什么"。

3. State（状态）链接到标题

State 是 Agent 在整个执行过程中的"记忆"。LangGraph 的 StateGraph 用 TypedDict 定义状态结构，最核心的字段是 messages——一个消息列表，用 add_messages reducer 累积每条消息。

2024年的综述阅读总结

Wed, 01 Apr 2026 18:13:49 +0800

文章是2024年的综述文章链接到标题

本文开头就写出现了传统AIOps和基于LLM的AIOps 说了传统的有缺陷，LLM的有优势。二者有不同，然后会分点讨论不同和方法。

主要有：

故障管理AIOps的定义
AIOps的数据来源
AIOps采用的基于LLM的方法还有：

AIOps的子任务
适用于不同AIOps子任务的LLM方法
该领域的挑战和未来方向

传统与LLM的AIOps的区别链接到标题

这里主要说传统的AIOps是基于机器学习的有缺陷。基于LLM的有优势，并分析了原因。

传统的缺陷链接到标题

有如下原因：

Need for complex feature extraction engineering.需要复杂的特征工程
Lack of cross-platform generality.缺乏跨平台通用性
Lack of cross-task flexibility.缺乏跨任务灵活性一个任务需要多个模型
Limited model adaptability.模型适应性受限系统迭代时模型需要重新训练
Restricted levels of automation.自动化程度受限

AIOps的数据来源链接到标题

两个大来源：系统生成的，人类写的

系统生成链接到标题

文章中就写了三类: 日志、指标、跟踪

日志(logs): 就是各种系统日志、应用日志、错误日志等文本数据，对于诊断问题，理解系统行为和追踪问题很重要
指标(metrics): 就是CPU利用率、内存使用率，网络延迟等量化指标
跟踪(traves): 是分布式系统中请求的跟踪数据，记录了请求在系统中的路径和时间信息，对于分析性能瓶颈和故障传播很有用

人类写的链接到标题

三种：软件信息(software information)，问题和回答(question and answer)，事件报告（incident report工单？）

AI与论文 on UOG的BLOG

LangChain学习

LangChain Agent 几大组件 链接到标题

1. Model（模型） 链接到标题

2. Tools（工具） 链接到标题

3. State（状态） 链接到标题

2024年的综述阅读总结

文章是2024年的综述文章 链接到标题

传统与LLM的AIOps的区别 链接到标题

传统的缺陷 链接到标题

AIOps的数据来源 链接到标题

系统生成 链接到标题

人类写的 链接到标题