langchain-architecture

langchain-architecture 技能为设计与实现进阶 LLM 系统提供了完整的框架。它针对使用 LangChain 1.x 与 LangGraph 的现代开发模式进行了优化，专注于构建持久、具备状态且自主的 AI 代理。此技能专为软件工程师与 AI 开发人员设计，协助其超越简单的提示词工程，建立具备长期记忆、多代理协调与复杂工具调用能力的可扩展生产级 AI 管线。用户将学习如何利用 LangGraph 的 StateGraph 来管理对话状态、实现检查点 (Checkpointing) 以实现容错执行，并透过自定义工具整合异质数据源。

• 使用 TypedDict 与 StateGraph 进行进阶状态管理，以追踪复杂的代理工作流程与对话历史。

• 多代理协调策略，包含 ReAct 模式、规划与执行 (Plan-and-Execute) 架构，以及层次化的督导路由 (Supervisor routing)。

• 记忆系统实现，涵盖 ConversationBufferMemory、Token 窗口化以及基于向量数据库的语义检索。

• 持久执行与人机协作 (Human-in-the-loop) 模式，确保生产环境下的可靠性。

• 文档处理管线，包含文本分割器、如 VoyageAI 的嵌入模型，以及如 Pinecone 的向量数据库。

• 透过 LangSmith 进行可观测性与追踪整合，监控延迟、Token 消耗与代理推理路径。

• 输入：用户自然语言查询、文档、结构化工具定义 (Pydantic schemas) 与对话上下文。

• 输出：可执行的代理工作流程、持久化状态检查点，以及从工具执行中派生的结构化响应。

• 最佳实践：务必使用 Pydantic 模型定义工具参数，以确保类型安全与结构化输出的连续性；针对长时间运行的工作流程务必使用 LangGraph 检查点，以便在失败后恢复状态；在生产环境中优先使用结构化日志记录与追踪，以识别推理链中的性能瓶颈。

• 约束：确保与 LangChain 1.2.x 及 LangGraph 的兼容性；由于大部分 LangChain 操作由事件循环驱动，因此需要具备异步 Python 编程能力。