FlowiseAI - LangChain 集成详解

学习日期：2026-05-07
文档来源：https://docs.flowiseai.com/integrations/langchain

一、LangChain 概述

LangChain 是一个用于开发 AI 应用的框架，简化了连接数据源、向量、记忆与大模型的过程。

Flowise 基于 LangChain 提供可视化界面，将节点分组排列，使工作流构建更直观。

二、LangChain 组件分类

三、Agents（智能体）

Agent 是能够自主推理 + 调用工具完成任务的存在。

核心 Agent 类型

ReAct 推理模式

ReAct = Reasoning + Acting

1. Thought：思考下一步该做什么
2. Action：执行某个工具
3. Observation：观察结果
4. 循环直到完成任务

四、Chains（链）

Chain 是将多个处理步骤串联起来的机制。

Chain 类型

Chain 工作原理

用户输入 → Chain 存储对话历史 → 作为上下文发送给 LLM → LLM 生成回复

关键概念：

• Input Chain：用户输入序列
• Output Chain：模型输出序列
• Context Preservation：保持上下文连贯性
• Max Length：链的最大长度，超出时截断旧消息

五、Chat Models（对话模型）

接受消息列表输入，返回模型生成的回复。

支持的模型

Chat Model vs Completion Model

六、Memory（记忆）

让 AI 记住之前的对话。

Memory 类型

多用户会话隔离

UI / Embedded Chat：自动生成唯一 chatId 隔离不同用户

Prediction API：通过 sessionId 指定用户

{
  "question": "hello!",
  "overrideConfig": {
    "sessionId": "user1"
  }
}

七、Vector Stores（向量数据库）

存储高维向量，支持相似性搜索。

支持的向量数据库

向量数据库工作流程

1. 存储：文档 → Embedding → 向量 → 向量库
2. 检索：查询 → Embedding → 相似度搜索 → 返回结果
3. 用途：RAG（检索增强生成）的核心组件

八、Tools（工具）

Agent 与外部世界交互的函数。

Tool 类型

九、Retrievers（检索器）

从向量库中获取相关文档的模块。

Retriever 类型

十、Text Splitters（文本分块器）

将长文本分割成小块，便于 embedding 和检索。

分块策略

分块逻辑：

1. 将文本分割成小的语义单元（通常按句子）
2. 逐步合并成目标大小的块
3. 达到阈值后创建新块（块之间保持重叠以保持上下文）

分块器类型

关键参数：

• chunk_size：每块的最大大小
• chunk_overlap：块之间的重叠（保持上下文）

十一、Embeddings（向量化）

将文本转换为高维向量表示。

支持的 Embedding 模型

十二、缓存层（Cache）

缓存 LLM 响应或 Embedding 结果，避免重复计算。

Cache 类型

十三、Output Parsers（输出解析器）

将 LLM 输出解析成结构化格式。

十四、内容审核（Moderation）

对输入/输出进行安全过滤。

十五、Record Managers（记录管理器）

管理向量库中数据的CRUD 操作。

十六、Quick Reference 快速查询表

场景 → 组件

API 调用格式

# 预测
POST /api/v1/prediction/{chatflowId}

# 获取聊天历史
GET /api/v1/chatmessage/{chatflowId}?sessionId=user1&sort=DESC

# 删除会话
DELETE /api/v1/chatmessage/{chatflowId}?sessionId=user1

十七、与 AstrBot 对比（续）