序章

LangChain V3 TS版本：从 LLM 调用到生产级应用的工程化跃迁

第一阶段：重新理解 LangChain V3 的设计哲学

• V3 的核心目标：标准化、可组合、可流式、类型安全（尤其 TS） // LangChain/Part01
  不再是“工具集合”，而是“LLM 应用的基础设施”
• “Everything is a Runnable”：新的统一接口 // LangChain/Part02 PromptTemplate, LLM, Parser, Chain, Retriever 都实现了 .invoke(), .stream(), .batch()
• LCEL（LangChain Expression Language）：不是新语言，而是函数式组合 DSL // LangChain/Part03 使用 | 操作符连接 Runnable，声明式定义执行流程
• 为什么移除 call() 和 run()？统一为 invoke() 的工程意义 // LangChain/Part04 接口收敛，便于中间件（Middleware）、监控、重试逻辑注入
• 异步优先：所有 API 默认返回 Promise，拥抱 Node.js 流与 Web Streams // LangChain/Part05

第二阶段：深入 Runnable 原语与执行契约

• Runnable 接口三要素：invoke, stream, batch // LangChain/Part06 - invoke(input): 单次执行，返回 Promise<Output>
  • stream(input): 流式输出，返回 AsyncGenerator 或 ReadableStream
  • batch(inputs[]): 批量处理，返回 Promise<Output[]>
• RunnableConfig：贯穿执行链的上下文对象 // LangChain/Part07 包含 callbacks, metadata, maxConcurrency, timeout，实现日志、追踪、限流
• 错误处理：Runnable 如何抛出结构化错误？ // LangChain/Part08 继承 BaseLLMError，携带 llmInput, originalError
• 超时与取消：如何利用 AbortSignal 实现请求中断？ // LangChain/Part09 传递 config.signal 到底层 HTTP 客户端（如 fetch）

第三阶段：穿透 LCEL 的组合机制

• LCEL 的本质：函数式管道（Pipeline）与范畴论（Category Theory）的实践 // LangChain/Part10 f | g | h 等价于 h(g(f(x)))，但支持异步和流
• | 操作符的实现：pipe() 方法的重载 // LangChain/Part11
• 输入/输出 Schema 的自动推导 // LangChain/Part12 TypeScript 泛型 + Zod 风格校验，实现类型安全的链式调用
• 分支与条件：RunnableBranch 如何实现路由？ // LangChain/Part13
  基于输入或前序输出选择不同子链
• 循环与递归：RunnableLoop 与 Agent 的自我修正机制 // LangChain/Part14
  ReAct 模式中的 Thought → Action → Observation 循环

第四阶段：掌握核心组件的现代化实现

PromptTemplate

• 不再是字符串模板，而是 Runnable<string, string> // LangChain/Part15 实现 .format() 作为 .invoke() 的别名
• 支持 partial、自定义格式器、安全转义 // LangChain/Part16
• 动态提示：如何根据输入选择不同模板？ // LangChain/Part17

LLM & ChatModel

• 统一接口：BaseLanguageModel 抽象 generate, streamGenerate // LangChain/Part18 支持 OpenAI、Anthropic、本地模型（Ollama）
• 流式实现：stream() 返回 ReadableStream<ChatCompletionChunk> // LangChain/Part19 分块解析 SSE 响应，逐个 yield token
• Token 计算与截断：如何集成 tiktoken 或 sentencepiece？ // LangChain/Part20

OutputParser

• 从“后处理字符串”到“结构化输出生成器” // LangChain/Part21 JsonOutputParser, PydanticOutputParser, XMLOutputParser
• .parse() 成为 .invoke() 的一部分，错误时抛出 OutputParserException // LangChain/Part22
• 流式解析：transform() 方法如何处理增量文本？ // LangChain/Part23

Retrieval Chain

• VectorStoreRetriever 作为 Runnable<Query, Document[]> // LangChain/Part23 实现 .invoke() 即向量搜索
• ContextualCompressionRetriever：在检索后压缩上下文 // LangChain/Part24 使用 LLMChainExtractor 移除无关句子
• 多查询生成：MultiQueryRetriever 如何提升召回率？ // LangChain/Part25

第五阶段：生产级流水线（Pipeline）构建

• 使用 LCEL 声明式构建复杂工作流 // LangChain/Part26

  const ragChain = retriever
    .pipe(formatDocuments)
    .pipe(prompt)
    .pipe(llm)
    .pipe(parser)
    .withRetry({ maxAttempts: 3 });

• 中间步骤的日志与监控：通过 RunnableConfig.callbacks 注入 // LangChain/Part27 集成 LangSmith、自定义 Logger
• 批处理优化：.batch() 如何并行化请求？ // LangChain/Part28 控制 maxConcurrency 避免压垮 LLM API
• 缓存机制：RunnableCache 如何避免重复调用？ // LangChain/Part29 基于输入哈希缓存输出，支持 Redis、In-Memory
• A/B 测试：RunnableParallel 并行执行多个版本，比较结果 // LangChain/Part30

第六阶段：与前端和全栈架构的衔接

• 在 NestJS 中暴露 LangChain 流式 API // LangChain/Part31 使用 @Sse() 装饰器返回 ReadableStream
• 前端消费流式响应：Response.body.pipeTo(ReadableStreamDefaultReader) // LangChain/Part32 实现打字机效果
• 身份验证与速率限制：如何在 RunnableConfig 中传递用户信息？ // LangChain/Part33
• 持久化会话：RunnableWithMessageHistory 如何管理 chat_history？ // LangChain/Part34 需要实现 BaseChatMessageHistory 存储适配器
• 微服务化：将不同 Runnable 部署为独立服务，通过 HTTP/gRPC 调用 // LangChain/Part35

第七阶段：未来趋势与深度集成

• Agent 2.0：基于 LCEL 的自主代理 // LangChain/Part36 Plan-and-Execute, ReAct 模式作为可组合链
• Tool Calling：如何让 LLM 调用函数并解析参数？ // LangChain/Part37 OpenAI Functions / Tools 格式生成
• LangGraph：用有向图构建状态化 Agent // LangChain/Part38 将 Runnable 连接成图，支持循环、条件跳转
• 与 DevOps 集成：CI/CD 流程中测试 Prompt 变更的影响 // LangChain/Part39 自动化评估、金丝雀发布
• TypeScript 类型即文档：利用泛型实现 IDE 智能提示 // LangChain/Part40 输入/输出类型全程可推导