langchain-architecture

langchain-architecture 技能為設計與實作進階 LLM 系統提供了完整的框架。它針對使用 LangChain 1.x 與 LangGraph 的現代開發模式進行了優化，專注於建構持久、具備狀態且自主的 AI 代理。此技能專為軟體工程師與 AI 開發人員設計，協助其超越簡單的提示詞工程，建立具備長期記憶、多代理協調與複雜工具呼叫能力的可擴充生產級 AI 管線。使用者將學習如何利用 LangGraph 的 StateGraph 來管理對話狀態、實作檢查點 (Checkpointing) 以實現容錯執行，並透過自訂工具整合異質資料來源。

• 使用 TypedDict 與 StateGraph 進行進階狀態管理，以追蹤複雜的代理工作流程與對話歷史。

• 多代理協調策略，包含 ReAct 模式、規劃與執行 (Plan-and-Execute) 架構，以及層次化的督導路由 (Supervisor routing)。

• 記憶系統實作，涵蓋 ConversationBufferMemory、Token 視窗化以及基於向量資料庫的語意檢索。

• 持久執行與人機協作 (Human-in-the-loop) 模式，確保生產環境下的可靠性。

• 文件處理管線，包含文字分割器、如 VoyageAI 的嵌入模型，以及如 Pinecone 的向量資料庫。

• 透過 LangSmith 進行可觀測性與追蹤整合，監控延遲、Token 消耗與代理推理路徑。

• 輸入：使用者自然語言查詢、文件、結構化工具定義 (Pydantic schemas) 與對話上下文。

• 輸出：可執行的代理工作流程、持久化狀態檢查點，以及從工具執行中派生的結構化回應。

• 最佳實踐：務必使用 Pydantic 模型定義工具參數，以確保型別安全與結構化輸出的連續性；針對長時間執行的工作流程務必使用 LangGraph 檢查點，以便在失敗後恢復狀態；在生產環境中優先使用結構化日誌記錄與追蹤，以識別推理鏈中的效能瓶頸。

• 約束：確保與 LangChain 1.2.x 及 LangGraph 的相容性；由於大部分 LangChain 操作由事件循環驅動，因此需要具備非同步 Python 程式設計能力。