LangChain框架的核心设计原理是什么？它是如何通过模块化组件支持大模型应用开发的？请说明其关键抽象如Chain、Agent、Tool等的作用。

框架选型对比

from langgraph.graph import StateGraph
from typing import TypedDict, List, Dict, Any, Optional

# 1. 定义状态（在所有节点间传递的数据）
class AgentState(TypedDict):
    messages: List[Dict[str, str]]  # 对话历史
    query: str                       # 当前问题
    intent: str                      # 意图类型
    plan: List[Dict[str, Any]]       # 执行计划
    current_step: int                # 当前步骤
    tool_results: List[Dict]         # 工具执行结果
    reasoning_steps: List[str]       # 推理步骤记录
    reflections: List[Dict]          # 反思记录
    should_continue: bool            # 是否继续
    iteration: int                   # 当前迭代次数
    max_iterations: int              # 最大迭代次数
    final_answer: str                # 最终答案
    error: Optional[str]             # 错误信息

# 2. 定义节点（处理状态的函数）
def router_node(state: AgentState) -> dict:
    """意图识别：决定走哪条路径"""
    prompt = f"""分析用户问题意图：
    问题: {state['query']}
    可选意图: data_query / analysis / research / general
    返回JSON: {{"intent": "...", "reason": "..."}}"""
    result = json.loads(llm.simple_chat(prompt))
    return {"intent": result["intent"]}

# 3. 条件边（动态路由）
def route_by_intent(state: AgentState) -> str:
    if state["intent"] == "general":
        return "critic"    # 普通问答直接回答
    return "planner"       # 复杂任务需要规划

def should_continue(state: AgentState) -> str:
    if state["should_continue"]:
        return "executor"  # 继续执行
    return "critic"        # 生成最终答案

# 4. 构建图
graph = StateGraph(AgentState)
graph.add_node("router", router_node)
graph.add_node("planner", PlannerNode())
graph.add_node("executor", ExecutorNode())
graph.add_node("reflector", ReflectorNode())
graph.add_node("critic", CriticNode())

graph.add_conditional_edges("router", route_by_intent)
graph.add_edge("planner", "executor")
graph.add_edge("executor", "reflector")
graph.add_conditional_edges("reflector", should_continue)

app = graph.compile()
result = app.invoke({"query": "分析银行股PE数据", "max_iterations": 3})

LangGraph 的核心优势：支持有环图

普通流水线（只能单向）：
  A -> B -> C -> 输出

LangGraph 有环图（支持循环迭代）：
  executor -> reflector -> 置信度低？
                  |- 是 -> 回到 executor（循环迭代，自我修正）
                  |- 否 -> critic -> 输出

LangChain Memory 类型对比

# 按对话长度选择合适的 Memory 策略
ConversationBufferMemory       # 全量保留，适合短对话（<10轮）
ConversationBufferWindowMemory # 保留最近 N 轮，适合中等对话
ConversationSummaryMemory      # 摘要压缩，适合长对话
VectorStoreRetrieverMemory     # 语义检索历史，适合超长跨会话

# 生产推荐：Summary + Buffer 混合
# 最近 3 轮完整保留 + 早期历史生成摘要