AI Agent Harness Engineering 开源社区贡献指南：如何参与 LangChain 等项目开发

AI Agent Harness Engineering 开源社区贡献指南：如何参与 LangChain 等项目开发

关键词：AI Agent Harness, 开源社区贡献, LangChain, LangGraph, 入门贡献, PR协作, Agent工具链

摘要：你有没有想过，让自己写的一行代码，帮助全球数百万开发者搭建出更聪明的“AI助手小队长”？或者，你刚学会用LangChain/LangGraph搭了个Agent，但发现某个工具不好用、某个文档漏了细节、某个例子跑不通——却不知道怎么告诉官方甚至自己动手改？这篇文章就是你的专属“开源魔法入门书+Agent开发基础工具包”！我们会像搭乐高积木搭小城堡一样，先带你搞懂什么是AI Agent Harness（AI助手队的装备架），再拆解从“0贡献到第一个PR被合并”的每一步，包括文档纠错、例子补全、小工具开发、核心库优化的完整流程，甚至会手把手教你写一个能被LangChain官方认可的Agent插件！全文用8000多字，一步一步推理、讲解、实操，保证小学六年级水平的编程基础（哦不对，哪怕只会敲print的小白也能看懂理论，会写Python循环的入门开发者就能完成贡献！）就能掌握！

背景介绍：从“搭一个自己的小助手”到“给全球助手搭装备架”

目的和范围

这篇文章的核心目的有三个：

1. 给小白扫盲AI Agent Harness的硬核概念：别再被“Harness”“Orchestrator”“Toolkit”这些词吓住啦！我们会用“班主任管小组”的类比，把Agent生态的每个角色讲得明明白白。
2. 给入门开发者一套完整的“LangChain贡献操作手册”：从注册GitHub、Fork仓库、本地开发、提交Issue、发起PR，到通过审核、合并代码的全流程避坑指南，没有一步是跳过的！
3. 给想长期做贡献的开发者指明方向：告诉大家从“文档/例子的小贡献”到“核心工具的开发”再到“Agent生态的共建”，有哪些进阶路径，以及LangChain社区需要什么样的人才和贡献！

这篇文章的范围是聚焦于LangChain/LangGraph这两个目前最主流的AI Agent Harness开源项目，但提到的开源贡献流程、心态、方法，其实适用于所有GitHub上的主流开源项目！

预期读者

我们的读者画像分为三个层次：

1. 纯好奇小白：只会用ChatGPT，完全没听过开源、没写过代码，但想了解AI Agent和开源是怎么回事的朋友——可以重点看背景、核心概念、故事引入的部分！
2. 入门Python开发者：会写Python循环、函数、变量，用过pip安装过库，可能自己跟着教程搭过一个简单的LangChain Agent（比如能查天气、查股票的小助手），但遇到问题只会在Stack Overflow/知乎上搜，不知道怎么给官方提建议或者动手改的朋友——这是我们的核心读者！
3. 中级以上Python开发者/开源爱好者：有一定的Python开发经验，甚至可能给其他小项目提交过PR，但想深入了解LangChain的架构、如何给Agent Harness做有价值的贡献的朋友——可以重点看核心架构、数学模型（如果有的话，这里会简化）、项目实战进阶、未来发展趋势的部分！

文档结构概述

我们的文章结构就像从“选装备材料”到“组装第一个装备”再到“把装备放进学校的共享装备室（官方仓库）”的全过程：

1. 第一部分：基础概念扫盲（选材料）：先讲什么是AI Agent，什么是AI Agent Harness，为什么需要Harness，Harness的核心组成部分是什么；
2. 第二部分：开源社区入门（学进装备室的规则）：讲GitHub的基本操作（注册、Fork、Clone、Branch、Commit、Push），Issue和PR是什么，LangChain社区的特殊规则和文化；
3. 第三部分：第一个贡献：从文档/例子开始（放第一套入门级小装备）：手把手教你找LangChain/LangGraph中需要修改的文档/例子，本地修改，提交PR，通过审核；
4. 第四部分：项目实战：开发一个LangChain官方认可的Agent工具插件（放一套中级实用装备）：比如开发一个“能查淘宝/京东商品价格历史的插件”，从设计到实现到测试到提交PR；
5. 第五部分：进阶贡献路径与最佳实践（放高级装备，甚至当装备室管理员）：讲如何给核心库做贡献，如何参与社区讨论，如何成为LangChain的Maintainer；
6. 第六部分：总结与思考题：回顾核心内容，留几个有趣的思考题；
7. 第七部分：附录与扩展阅读：常见问题解答，推荐的扩展阅读和资源。

术语表

核心术语定义

1. AI Agent（AI助手小队长）：一个能感知环境、做出决策、采取行动的智能体——就像班级里的小组长，能听老师的话（用户输入），了解小组的情况（历史对话/环境数据），安排组员（各种工具）做事，最后给老师汇报结果。
2. AI Agent Harness（AI助手队的装备架+指挥官手册）：一个用来快速搭建、调试、部署、监控AI Agent的工具集和框架——就像班级里的共享装备室，里面有各种现成的工具（查天气、查股票、写代码的工具），还有一本“小组长工作手册”（Orchestration Logic，编排逻辑），告诉小组长怎么安排工具、怎么处理问题。
3. LangChain：目前全球最主流的AI Agent Harness开源项目之一，由Harrison Chase在2022年10月创立，拥有超过10万个GitHub Stars，数百万开发者使用。
4. LangGraph：LangChain官方在2023年11月推出的新一代Agent编排框架，专门用来解决复杂的、有分支、有循环的Agent任务——就像给小组长配了一本“思维导图式的高级工作手册”，能处理更复杂的小组任务。
5. Issue：GitHub上的“问题追踪器”——就像共享装备室门口的“意见箱”，你可以在这里提问题、提建议、报告Bug。
6. PR（Pull Request，拉取请求）：GitHub上的“代码提交申请”——就像你把自己做的装备放在意见箱旁边，申请让装备室管理员（Maintainer）检查、审核，然后放进共享装备室。
7. Maintainer（维护者）：开源项目的“装备室管理员”——负责审核PR、修复Bug、发布新版本、管理社区。

相关概念解释

1. LLM（Large Language Model，大语言模型）：AI Agent的“大脑”——就像小组长的“脑子”，能理解语言、生成语言、做出决策。
2. Tool（工具）：AI Agent的“手和脚”——就像小组长的“组员”，能帮AI Agent完成LLM做不到的事情，比如查实时数据、写代码、发邮件。
3. Memory（记忆）：AI Agent的“笔记本”——就像小组长的“笔记本”，能记录历史对话、环境数据、任务进度。
4. Prompt（提示词）：AI Agent的“指令”——就像老师给小组长的“任务单”，或者小组长给组员的“任务分配单”。
5. Orchestration（编排）：AI Agent的“任务安排流程”——就像小组长的“工作流程”，告诉AI Agent什么时候用什么工具、什么时候问用户、什么时候结束任务。

缩略词列表

核心概念与联系：从“班主任管小组”看懂AI Agent Harness的一切

故事引入：让我们来模拟一个“六一儿童节班级活动筹备小组”的场景！

为了让大家完全搞懂AI Agent、AI Agent Harness、LangChain、LangGraph这些核心概念，我们先来模拟一个真实的生活场景——六一儿童节班级活动筹备小组！

假设你是三年级（2）班的班主任李老师，你想让同学们自己筹备一个六一儿童节的班级活动，但是你怕同学们搞砸，所以你给他们配了：

1. 一个聪明的小组长：叫张小聪明，是三年级（2）班最聪明的学生，能听懂你说的话，能安排同学做事，能解决小问题；
2. 一个共享装备室：叫三（2）班共享小仓库，里面有各种现成的工具：
   • 预算管理员王小花：负责查班级的活动经费、记录每一笔支出；
   • 场地协调员赵小刚：负责联系学校的操场、多媒体教室、舞蹈室；
   • 节目策划员刘小美：负责收集同学们的节目报名、安排节目顺序；
   • 物资采购员陈小胖：负责查淘宝/京东的零食、道具、装饰品的价格，然后下单；
   • 摄影摄像员李小帅：负责活动当天的拍照、录像；
3. 一本小组长工作手册：叫**《三（2）班班级活动筹备小组长操作指南》**，里面写了详细的工作流程：
   1. 先听李老师的任务要求；
   2. 查班级的活动经费；
   3. 收集同学们的节目报名；
   4. 联系适合的场地；
   5. 查物资价格，做预算，找李老师审批；
   6. 李老师审批通过后，下单买物资，安排节目顺序；
   7. 活动当天提醒摄影摄像员拍照录像；
   8. 活动结束后，写活动总结，给李老师汇报；
4. 一个高级的思维导图式工作手册：叫**《三（2）班班级活动筹备应急与复杂任务指南》**，如果遇到了预算不够、场地被占用、节目太多等复杂问题，就用这本手册：
   5. 如果预算不够：可以让陈小胖查更便宜的物资，或者取消一些不重要的装饰，或者找班长拉赞助；
   6. 如果操场被占用：可以联系多媒体教室或者舞蹈室；
   7. 如果节目太多：可以安排节目彩排，淘汰一些不太好的节目，或者把活动时间延长（找李老师审批）；
   8. 如果物资没按时到：可以让陈小胖催快递，或者换一家商店买；
5. 一个笔记本：叫**《三（2）班六一活动筹备记录》**，用来记录每一步的进展、每一笔支出、同学们的意见。

现在，让我们把这个生活场景完全对应到AI Agent Harness的技术场景里：

哇！是不是一下子就懂了？！接下来，我们会用这个类比，更详细地解释每个核心概念！

核心概念解释（像给小学生讲故事一样）

核心概念一：什么是AI Agent？

刚才我们用“聪明的小组长张小聪明”类比了AI Agent，现在我们来给它下一个通俗易懂的专业定义：

AI Agent是一个能自主感知环境、自主做出决策、自主采取行动的智能系统——它不是一个只会被动回答问题的Chatbot（聊天机器人），而是一个能主动帮你完成任务的“AI助手小队长”！

为了更清楚地说明AI Agent和普通Chatbot的区别，我们来举两个例子：

1. 普通Chatbot（比如只会用知识库的早期版本ChatGPT）：
   • 你问它：“今天北京的天气怎么样？适合穿什么衣服？”
   • 它会说：“对不起，我的知识库截止到2023年10月，无法获取实时天气数据。”
   • 你再问它：“帮我写一封给妈妈的生日祝福信。”
   • 它会给你写一封信，但不会帮你发邮件。
2. AI Agent（比如用LangChain/LangGraph搭建的“生活小助手”）：
   • 你问它：“今天北京的天气怎么样？适合穿什么衣服？我妈妈明天生日，帮我写一封生日祝福信，买一个她喜欢的康乃馨鲜花蛋糕，然后把祝福信发在家庭群里。”
   • 它会自主完成以下步骤：
     1. 用“查天气的工具”查北京今天的实时天气；
     2. 根据天气情况推荐穿什么衣服；
     3. 用“查妈妈生日的工具”确认明天是不是妈妈的生日（哦不对，你已经说了，但如果是忘了，它可以查你的日历）；
     4. 用“写生日祝福信的工具”（其实就是用LLM自己写）写一封生日祝福信；
     5. 用“查附近花店/蛋糕店的工具”查妈妈喜欢的康乃馨鲜花蛋糕的价格和配送时间；
     6. 用“你的支付工具”下单买蛋糕（当然需要你的授权）；
     7. 用“发微信的工具”把祝福信发在家庭群里；
     8. 最后给你汇报：“北京今天晴天，25-32度，适合穿短袖短裤；生日祝福信已经写好并发在家庭群里；康乃馨鲜花蛋糕已经下单，明天上午10点送到你家楼下。”

看！这就是AI Agent和普通Chatbot的区别——AI Agent是主动的、自主的、能完成复杂任务的，而普通Chatbot是被动的、只能回答静态问题的！

核心概念二：什么是AI Agent Harness？

刚才我们用“三（2）班共享小仓库+两本工作手册”类比了AI Agent Harness，现在我们来给它下一个通俗易懂的专业定义：

AI Agent Harness是一个用来快速搭建、调试、部署、监控、迭代AI Agent的工具集和框架——它就像给AI Agent开发者的“超级工具箱+施工图纸”，让你不用从零开始写代码，就能搭出一个功能强大的AI Agent！

为了更清楚地说明为什么需要AI Agent Harness，我们来举个例子：
假设你想自己从零开始写一个“生活小助手”AI Agent，你需要做哪些事情？

1. 对接LLM：你需要写代码对接GPT-4o、Claude 3.5 Sonnet、文心一言4.0等多个LLM，还要处理API请求失败、API限流、Token消耗等问题；
2. 开发工具：你需要写代码开发查天气、查日历、发微信、买东西等多个工具，还要处理工具调用失败、工具返回结果格式不一致等问题；
3. 实现记忆：你需要写代码实现短期记忆（比如最近10条对话）、长期记忆（比如你妈妈的生日、你喜欢的颜色），还要处理记忆存储、记忆检索、记忆更新等问题；
4. 实现编排：你需要写代码实现任务的编排——什么时候用什么工具、什么时候问用户、什么时候结束任务，还要处理分支、循环、错误处理等问题；
5. 调试和测试：你需要写代码调试和测试你的AI Agent，还要处理各种Edge Case（边界情况，比如预算不够、场地被占用、API请求失败）；
6. 部署和监控：你需要写代码部署你的AI Agent到服务器上，还要写代码监控它的运行状态、Token消耗、用户反馈等。

哇！这也太麻烦了吧？！如果是一个人写，可能要写几个月甚至几年才能写好！

但是，如果有了AI Agent Harness（比如LangChain/LangGraph），你需要做哪些事情？

1. 对接LLM：LangChain已经帮你对接好了GPT-4o、Claude 3.5 Sonnet、文心一言4.0等数百个LLM，你只需要写一行代码就能切换LLM；
2. 开发工具：LangChain已经帮你开发好了数千个现成的工具——查天气、查日历、写代码、发邮件、查股票、查淘宝/京东价格……你只需要写几行代码就能调用这些工具；如果你需要的工具LangChain没有，你也可以自己写一个工具，然后几行代码就能集成到LangChain里；
3. 实现记忆：LangChain已经帮你实现好了短期记忆、长期记忆、向量记忆等多种记忆方式，你只需要写几行代码就能使用；
4. 实现编排：LangChain的Chains（链）已经帮你实现好了简单的线性任务编排，你只需要写几行代码就能搭建；LangGraph的Graphs（图）已经帮你实现好了复杂的有分支、有循环的任务编排，你只需要写几行代码就能搭建；
5. 调试和测试：LangChain已经帮你开发好了LangSmith调试和测试平台，你可以用它来可视化Agent的运行过程、调试Edge Case、测试Agent的性能；
6. 部署和监控：LangChain已经帮你开发好了LangServe部署平台，你可以用它来一键部署Agent到服务器上，还可以用LangSmith来监控它的运行状态。

看！这就是AI Agent Harness的威力——让你从零开始写一个AI Agent的时间，从几个月甚至几年，缩短到几分钟甚至几秒钟！

核心概念三：什么是LangChain？

刚才我们用“《三（2）班班级活动筹备小组长操作指南》+共享小仓库的大部分工具”类比了LangChain，现在我们来给它下一个通俗易懂的专业定义：

LangChain是一个基于Python/TypeScript的开源AI Agent Harness框架，由Harrison Chase在2022年10月创立，拥有超过10万个GitHub Stars，数百万开发者使用——它的核心理念是“把LLM和外部世界连接起来”（Connect LLMs to the World）！

LangChain的核心组成部分有哪些？我们还是用“三（2）班班级活动筹备小组”的类比来解释：

1. Models（模型）：对应“张小聪明的脑子”——包括LLMs（大语言模型）、Chat Models（聊天模型）、Embedding Models（嵌入模型）等；
2. Prompts（提示词）：对应“李老师给张小聪明的任务要求、张小聪明给组员的任务分配单”——包括Prompt Templates（提示词模板）、Few-Shot Examples（少样本示例）、Output Parsers（输出解析器）等；
3. Chains（链）：对应“《三（2）班班级活动筹备小组长操作指南》”——用来把Models、Prompts、Tools、Memory等组件串联起来，完成简单的线性任务；
4. Tools（工具）：对应“三（2）班共享小仓库的工具”——用来帮LLM完成它做不到的事情，比如查实时数据、写代码、发邮件；
5. Agents（智能体）：对应“聪明的小组长张小聪明”——是Chains的升级版，能自主决定什么时候用什么工具、什么时候问用户、什么时候结束任务；
6. Memory（记忆）：对应“《三（2）班六一活动筹备记录》”——用来记录Agent的历史对话、环境数据、任务进度；
7. Retrievers（检索器）：对应“从《三（2）班六一活动筹备记录》里找信息的方法”——用来从大量的文档或记忆里检索出相关的信息；
8. Callbacks（回调函数）：对应“班主任李老师的实时监控”——用来监控Agent的运行过程、记录日志、调试代码。

核心概念四：什么是LangGraph？

刚才我们用“《三（2）班班级活动筹备应急与复杂任务指南》”类比了LangGraph，现在我们来给它下一个通俗易懂的专业定义：

LangGraph是LangChain官方在2023年11月推出的新一代Agent编排框架，专门用来解决复杂的、有分支、有循环、有状态的Agent任务——它的核心理念是“用图来表示Agent的状态和决策过程”（Represent Agent State and Decision-Making as a Graph）！

为什么需要LangGraph？因为LangChain的Chains和早期的Agents有一些局限性：

1. Chains的局限性：只能完成简单的线性任务——就像“只能按照固定的步骤走，不能有分支、不能有循环”的工作手册；
2. 早期Agents的局限性：虽然能自主决策，但决策过程是黑盒的——你不知道Agent为什么会选择这个工具、为什么会问用户这个问题，而且调试起来非常麻烦；另外，早期Agents的状态管理也很混乱——你很难控制Agent的记忆和任务进度。

而LangGraph完美地解决了这些问题：

1. 用图来表示决策过程：决策过程是可视化的、白盒的——你可以清楚地看到Agent的每一步决策、每一个状态转换，调试起来非常方便；
2. 支持分支、循环、并行：可以完成复杂的任务——就像“思维导图式的工作手册”；
3. 强大的状态管理：可以精确地控制Agent的记忆和任务进度——就像“张小聪明的超级笔记本”；
4. 完全兼容LangChain：可以直接使用LangChain的所有组件——Models、Prompts、Tools、Memory、Retrievers等。

核心概念之间的关系（用小学生能理解的比喻+专业对比表格）

核心概念之间的关系（小学生能理解的比喻）

让我们再回到“三（2）班班级活动筹备小组”的场景，用更生动的语言解释核心概念之间的关系：

• LangChain和LangGraph的关系：就像“《三（2）班班级活动筹备小组长操作指南》”和“《三（2）班班级活动筹备应急与复杂任务指南》”的关系——LangChain是基础，适合完成简单的线性任务；LangGraph是进阶，适合完成复杂的、有分支、有循环的任务；而且LangGraph完全兼容LangChain，就像你可以在应急指南里引用操作指南里的内容一样；
• LangChain/LangGraph和LLM的关系：就像“共享小仓库+工作手册”和“张小聪明的脑子”的关系——LLM是AI Agent的“大脑”，负责理解语言、生成语言、做出决策；LangChain/LangGraph是AI Agent的“身体”和“工具”，负责把LLM和外部世界连接起来，帮LLM完成它做不到的事情；
• LangChain/LangGraph和Tools的关系：就像“共享小仓库”和“里面的工具”的关系——Tools是AI Agent的“手和脚”，负责帮LLM完成具体的任务；LangChain/LangGraph是“共享小仓库的管理员”，负责管理这些工具，让AI Agent可以方便地调用；
• LangChain/LangGraph和Memory的关系：就像“共享小仓库”和“《三（2）班六一活动筹备记录》”的关系——Memory是AI Agent的“笔记本”，负责记录历史对话、环境数据、任务进度；LangChain/LangGraph是“共享小仓库的管理员”，负责管理这个笔记本，让AI Agent可以方便地存储、检索、更新记忆；
• LangChain/LangGraph和开发者的关系：就像“共享小仓库的管理员”和“把自己做的新工具放进共享小仓库的同学”的关系——开发者可以用LangChain/LangGraph搭AI Agent，也可以自己写新的工具、新的组件，然后提交PR，把它们放进LangChain/LangGraph的“共享小仓库”里，帮助全球数百万开发者！

核心概念核心属性维度对比（专业Markdown表格）

为了让中级以上的开发者更清楚地了解核心概念之间的区别，我们来做一个专业的核心属性维度对比表格：

核心概念原理和架构的文本示意图（专业定义）

接下来，我们来画一个LangChain/LangGraph核心概念原理和架构的文本示意图——这个示意图就像“三（2）班共享小仓库+两本工作手册的平面图”：

┌───────────────────────────────────────────────────────────────────────────────────────┐ │ 用户（User） │ │ 输入：任务要求、问题、授权信息等 │ └──────────────────────────────────────────┬──────────────────────────────────────────────┘ │ ▼ ┌───────────────────────────────────────────────────────────────────────────────────────┐ │ LangChain/LangGraph 框架层 │ │ ┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐ │ │ │ 提示词层 │ │ 模型层 │ │ 记忆层 │ │ 检索层 │ │ │ │ - Prompt Templ │ │ - LLMs │ │ - Short Term │ │ - Vector DB │ │ │ │ - Few-Shot Exa │ │ - Chat Models │ │ - Long Term │ │ - Keyword Retr │ │ │ │ - Output Pars │ │ - Embedding Mod │ │ - Conversation │ │ - Hybrid Retr │ │ │ └─────────────────┘ └─────────────────┘ └─────────────────┘ └─────────────────┘ │ │ ┌─────────────────────────────────────────────────────────────────────────────────┐ │ │ │ 编排层（Orchestration Layer） │ │ │ │ ┌───────────────────────────────┐ ┌──────────────────────────────────────────┐ │ │ │ │ │ LangChain Chains │ │ LangGraph Graphs │ │ │ │ │ │ - 固定线性流程 │ │ - 可视化的、可控的图结构 │ │ │ │ │ │ - 适合简单任务 │ │ - 支持分支、循环、并行 │ │ │ │ │ │ - 弱状态管理 │ │ - 强大的State管理 │ │ │ │ │ └───────────────────────────────┘ └──────────────────────────────────────────┘ │ │ │ └─────────────────────────────────────────────────────────────────────────────────┘ │ │ ┌─────────────────────────────────────────────────────────────────────────────────┐ │ │ │ 工具层（Tool Layer） │ │ │ │ ┌──────────────────┐ ┌──────────────────┐ ┌──────────────────┐ ┌───────────────┐ │ │ │ │ │ 官方内置工具 │ │ 社区贡献工具 │ │ 自定义工具 │ │ LangChain Tool│ │ │ │ │ │ - 查天气 │ │ - 查淘宝价格 │ │ - 查公司内部数据 │ │ - 标准化接口 │ │ │ │ │ │ - 写代码 │ │ - 查B站视频 │ │ - 控制智能家居 │ │ - 错误处理 │ │ │ │ │ │ - 发邮件 │ │ - 查GitHub PR │ │ - 调用公司内部API │ │ - 输出解析 │ │ │ │ │ └──────────────────┘ └──────────────────┘ └──────────────────┘ └───────────────┘ │ │ │ └─────────────────────────────────────────────────────────────────────────────────┘ │ │ ┌─────────────────────────────────────────────────────────────────────────────────┐ │ │ │ 监控调试层（Monitoring & Debugging Layer） │ │ │ │ ┌──────────────────┐ ┌──────────────────┐ ┌──────────────────┐ ┌───────────────┐ │ │ │ │ │ LangSmith │ │ Callbacks │ │ Logging │ │ Testing │ │ │ │ │ │ - 可视化运行过程 │ │ - 实时监控 │ │ - 记录日志 │ │ - 单元测试 │ │ │ │ │ │ - 调试Edge Case │ │ - 触发事件 │ │ - 分析Token消耗 │ │ - 集成测试 │ │ │ │ │ │ - 测试性能 │ │ - 自定义逻辑 │ │ - 记录用户反馈 │ │ - 端到端测试 │ │ │ │ │ └──────────────────┘ └──────────────────┘ └──────────────────┘ └───────────────┘ │ │ │ └─────────────────────────────────────────────────────────────────────────────────┘ │ └──────────────────────────────────────────┬──────────────────────────────────────────────┘ │ ▼ ┌───────────────────────────────────────────────────────────────────────────────────────┐ │ 外部世界（External World） │ │ ┌──────────────────┐ ┌──────────────────┐ ┌──────────────────┐ ┌───────────────┐ │ │ │ LLM API │ │ 外部工具API │ │ 数据库 │ │ 文件系统 │ │ │ │ - GPT-4o │ │ - 天气API │ │ - PostgreSQL │ │ - PDF │ │ │ │ - Claude 3.5 │ │ - 股票API │ │ - MongoDB │ │ - Word │ │ │ │ - 文心一言4.0 │ │ - 淘宝API │ │ - Redis │ │ - CSV │ │ │ └──────────────────┘ └──────────────────┘ └──────────────────┘ └───────────────┘ │ └───────────────────────────────────────────────────────────────────────────────────────┘

核心概念之间的交互关系图（Mermaid架构图）

最后，我们来画一个核心概念之间的交互关系图（Mermaid架构图）——这个示意图就像“三（2）班班级活动筹备小组的工作流程图”：

（未完待续，下一部分我们会讲开源社区入门（学进装备室的规则），包括GitHub的基本操作、Issue和PR是什么、LangChain社区的特殊规则和文化，敬请期待！）