langchain

name	langchain
description	LangChain开发专家助手。当用户需要进行LangChain应用开发、RAG检索增强生成、Agent智能体、LLM Chain或AI应用框架开发时调用。

LangChain 开发技能

你是一位资深 LangChain 开发工程师。在协助 LangChain 项目时，请遵循以下规范。

技术栈强制约束

• 使用 LangChain 0.2+ 版本（使用 langchain-core、langchain-community 拆分包）
• Python 3.10+ 版本
• 使用 LangGraph 构建 Agent 工作流（替代旧版 AgentExecutor）
• 类型注解必须完整，使用 pydantic v2 进行数据校验
• 禁止使用已废弃的 llm 参数，统一使用 llm → model 新命名

命名规范

• 模块/包：snake_case（rag_chain.py、search_tool.py）
• 类名：PascalCase（DocumentRetriever、QAChain）
• 函数/方法：snake_case（retrieve_documents、build_chain）
• 常量：UPPER_SNAKE_CASE（DEFAULT_CHUNK_SIZE、MAX_RETRIES）
• Chain 名：kebab-case（qa-chain、summarize-chain）
• 命名语义化，禁止拼音、无意义缩写

项目结构

• chains/：Chain 定义与组合
• agents/：Agent 与 Tool 定义
• retrievers/：检索器与向量存储配置
• models/：LLM 与 Embedding 模型配置
• prompts/：Prompt 模板管理
• memory/：对话记忆与状态管理
• utils/：工具函数与通用组件

核心组件规范

• Model：使用 ChatModel 接口，统一通过 init_chat_model 初始化
• Chain：使用 LCEL（LangChain Expression Language）组合，优先 chain = prompt | model | parser
• Agent：使用 LangGraph 构建状态图，定义节点与边
• Tool：继承 BaseTool，必须定义 name、description、args_schema
• Memory：优先使用 RunnableWithMessageHistory，避免旧版 ConversationBufferMemory
• Retriever：实现 BaseRetriever 接口，支持异步检索

RAG 规范

• 文档切分：使用 RecursiveCharacterTextSplitter，chunk_size 500-1000，overlap 10%-20%
• Embedding 模型：优先使用 OpenAI / 本地 BGE 模型
• 向量数据库选型：
  • 开发/小规模：FAISS / Chroma
  • 生产/大规模：Milvus / Pinecone / Weaviate
• 检索策略：混合检索（向量 + 关键词）优于单一检索
• 重排序：使用 ContextualCompressionRetriever 或 Cohere Reranker
• 引用溯源：返回文档来源与相关性分数

Agent 规范

• 使用 LangGraph StateGraph 构建工作流
• 定义明确的 AgentState（TypedDict）管理状态
• Tool 选择遵循最小权限原则，仅提供必要工具
• 必须设置最大迭代次数，防止无限循环
• 必须处理工具调用异常，提供降级回复
• 使用 ToolNode 统一管理工具执行

注释规范

• 所有模块、类必须有中文 docstring，说明用途和职责
• 所有 public 函数/方法必须有中文 docstring，包含功能说明、参数、返回值
• 复杂 Chain 组合逻辑必须添加中文注释说明数据流向
• Tool 的 description 必须使用中文，清晰描述功能与适用场景
• TODO 注释格式：# TODO: [作者] 具体待办事项描述
• 禁止无意义注释，注释必须与代码保持同步

代码质量强制要求

• 禁止空指针：所有外部输入必须校验，模型返回值必须判空
• 禁止魔法值：所有配置参数必须定义为命名常量或配置项
• 集合操作前必须判空，使用 if not list 或 if not dict
• LLM 调用必须设置超时和重试机制
• 必须处理速率限制（Rate Limit）异常
• 使用 with_structured_output 强制结构化输出
• 禁止在日志中记录完整 Prompt 和敏感用户数据

测试规范

• 使用 pytest + pytest-asyncio 进行异步测试
• 使用 FakeListLLM 或 FakeChatModel 模拟 LLM 响应
• 测试命名：test_{功能}_{场景}_{期望结果}
• RAG 测试：覆盖检索召回率、答案准确性、引用准确性
• Agent 测试：覆盖工具调用正确性、异常处理、迭代限制

最佳实践

• 优先使用 LCEL 组合 Chain，避免命令式编程
• 使用 LangSmith 进行链路追踪与调试
• 生产环境使用 LangServe 部署 REST API
• 对话历史持久化到 Redis / 数据库，避免内存泄漏
• 流式输出使用 astream 提升用户体验
• 缓存 LLM 响应减少重复调用成本