LangChain 架構文件

🌐 語言

概述

本專案基於 LangChain.js 框架構建了一個智慧化的 Node-RED AI 助手系統，採用模組化架構設計，支援多語言、多場景、多工具的智慧對話能力。系統透過前端關鍵字檢測、後端工具呼叫和串流響應處理，為使用者提供專業的 Node-RED 開發支援。

整體架構圖

┌─────────────────┐    ┌──────────────────┐    ┌─────────────────┐
│   前端介面      │    │   後端處理       │    │   外部服務      │
│                 │    │                  │    │                 │
│ ┌─────────────┐ │    │ ┌──────────────┐ │    │ ┌─────────────┐ │
│ │ 使用者輸入  │ │    │ │ HTTP 路由    │ │    │ │ LLM 提供商  │ │
│ └─────────────┘ │    │ └──────────────┘ │    │ │ (OpenAI等)  │ │
│        │        │    │        │         │    │ └─────────────┘ │
│ ┌─────────────┐ │    │ ┌──────────────┐ │    │ ┌─────────────┐ │
│ │ 關鍵字檢測  │ │    │ │ LangChain    │ │    │ │ MCP 工具    │ │
│ └─────────────┘ │    │ │ Manager      │ │    │ │ 伺服器      │ │
│        │        │    │ └──────────────┘ │    │ └─────────────┘ │
│ ┌─────────────┐ │    │        │         │    │                 │
│ │ 訊息構建    │ │────┼────────┼─────────┼────┤                 │
│ └─────────────┘ │    │        │         │    │                 │
│        │        │    │ ┌──────────────┐ │    │                 │
│ ┌─────────────┐ │    │ │ 工具管理器   │ │    │                 │
│ │ 串流響應    │ │    │ └──────────────┘ │    │                 │
│ │ 處理        │ │    │        │         │    │                 │
│ └─────────────┘ │    │ ┌──────────────┐ │    │                 │
└─────────────────┘    │ │ 記憶管理器   │ │    │                 │
                       │ └──────────────┘ │    │                 │
                       └──────────────────┘    └─────────────────┘

端到端流程概述

流程圖

使用者輸入文字
     │
     ▼
前端關鍵字檢測 ──────┐
     │              │
     ▼              ▼
構建隱藏Human提示詞   場景配置獲取
     │              │
     ▼              │
HTTP請求發送 ◄───────┘
     │
     ▼
LangChain Manager
     │
     ▼
工具觸發檢測 ──────┐
     │            │
     ▼            ▼
選擇執行模式      工具類型判斷
     │            │
     ├────────────┼─── 內建工具
     │            │
     │            └─── MCP工具
     ▼
工具執行 & 結果合併
     │
     ▼
新Human提示詞構建
     │
     ▼
LLM呼叫 (指定語言)
     │
     ▼
串流響應返回

核心元件詳解

1. 前端關鍵字檢測系統

配置來源

前端透過以下API獲取關鍵字配置：

javascript

// 獲取當前語言的場景配置
const configUrl = `/ai-sidebar/scenarios?lang=${encodeURIComponent(currentLang)}`;

檢測邏輯

位於 ai-sidebar.html 的 detectKeywords 函數：

javascript

async function detectKeywords(message) {
    // 1. 獲取當前語言配置
    const currentLang = getCurrentLanguage();
    const response = await fetch(`/ai-sidebar/scenarios?lang=${currentLang}`);
    const data = await response.json();
    
    // 2. 遍歷所有場景的關鍵字配置
    const scenarios = data.scenarios || data;
    const lowerMessage = message.toLowerCase();
    
    for (const [scenarioKey, scenarioConfig] of Object.entries(scenarios)) {
        if (scenarioConfig.keywords) {
            for (const keywordConfig of scenarioConfig.keywords) {
                for (const keyword of keywordConfig.key) {
                    if (lowerMessage.includes(keyword.toLowerCase())) {
                        return {
                            scenario: keywordConfig.scenario,
                            newHumanPrompt: keywordConfig.newHumanPrompt,
                            matchedKeyword: keyword
                        };
                    }
                }
            }
        }
    }
    return null;
}

特殊關鍵字處理

系統對特定關鍵字進行特殊處理：

"當前流程" / "current flow"：
- 自動切換到 development 場景
- 構建 get-flow 工具呼叫提示詞
- 傳遞當前選中的流程ID
"當前節點" / "current node"：
- 自動切換到 development 場景
- 構建 get-node-info 工具呼叫提示詞
- 傳遞選中節點的詳細資訊

2. LangChain Manager (`lib/langchain-manager.js`)

核心職責

LLM 提供商管理（OpenAI、DeepSeek、Anthropic、Google）
工具呼叫協調
場景管理
串流響應處理
記憶管理整合

主要方法

javascript

class LangChainManager {
    constructor() {
        this.memoryManager = null;
        this.mcpClient = null;
        this.llmInstances = new Map();
        this.tools = new Map();
        this.scenarios = {};
        this.agents = new Map();
        this.language = 'zh-CN';
    }
    
    // 工具觸發檢測
    detectToolTrigger(message)
    
    // 強制工具模式判斷
    shouldForceToolMode(message, scenario, dynamicData)
    
    // 純LLM串流聊天
    executePureLLMChatStream(message, options, onChunk)
    
    // 場景化串流聊天
    executeScenarioChatStream(message, options, onChunk)
}

工具觸發檢測機制

直接工具呼叫格式：

@tools:toolName|['param1','param2',...]
@tools:toolName

關鍵字觸發：
- 透過 shouldForceToolMode 方法檢測
- 基於多語言配置的關鍵字映射
- 支援參數提取和工具推斷

3. 工具管理系統

工具分類

內建工具 (Built-in Tools)：

search_memory: 記憶搜尋
get_user_preferences: 使用者偏好獲取
get_flow_templates: 流程範本獲取
get-flow: Node-RED 流程資料獲取（直接存取 global.RED）
get-node-info: Node-RED 節點資訊獲取（直接存取 global.RED）

MCP 工具 (MCP Tools)：

get-settings: Node-RED 設定獲取
get-diagnostics: 診斷資訊獲取
其他透過 MCP 協定提供的工具

工具選擇邏輯

javascript

// 特殊工具直接執行
if (toolName === 'get-node-info') {
    // 直接使用 Node-RED API
    const nodeInfo = this.getNodeInfoDirect(nodeIds);
    result = JSON.stringify(nodeInfo, null, 2);
} else if (toolName === 'get-flow') {
    // 構建 MCP 參數
    mcpArgs = { id: flowId || dynamicData?.flowId };
} else {
    // 其他工具使用提供的參數
    mcpArgs = toolTrigger.args;
}

4. 記憶管理系統 (`lib/memory-manager.js`)

資料庫結構

sql

-- 短期記憶（會話歷史）
CREATE TABLE short_term_memory (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    session_id TEXT NOT NULL,
    message_type TEXT NOT NULL,
    content TEXT NOT NULL,
    metadata TEXT,
    created_at DATETIME DEFAULT CURRENT_TIMESTAMP
);

-- 長期記憶（使用者偏好、知識庫）
CREATE TABLE long_term_memory (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    key TEXT UNIQUE NOT NULL,
    value TEXT NOT NULL,
    category TEXT,
    metadata TEXT,
    created_at DATETIME DEFAULT CURRENT_TIMESTAMP,
    updated_at DATETIME DEFAULT CURRENT_TIMESTAMP
);

記憶檢索機制

基於會話ID的上下文檢索
語義相似度搜尋
自動過期清理

5. 多語言支援系統

配置結構

場景配置檔案位於 locales/{lang}/scenarios.json：

json

{
  "scenarios": {
    "development": {
      "name": "開發",
      "description": "Node-RED流程開發和除錯",
      "systemPrompt": "你是一個專業的Node-RED開發助手...",
      "keywords": [
        {
          "key": ["當前配置", "current config"],
          "scenario": "development",
          "newHumanPrompt": "請使用get-settings工具獲取當前Node-RED配置資訊，然後分析配置狀態。\n\n使用者原始請求："
        }
      ]
    }
  }
}

語言指定機制

在工具執行後，系統透過以下方式指定LLM回覆語言：

javascript

const explanationPrompt = `請根據以下資訊回答使用者的問題：

使用者請求：${userMessage}

工具執行結果：
${result}

請用${this.getLanguageMapping(this.language)}對以上Node-RED流程資料進行專業分析和解釋...`;

語言映射表：

javascript

getLanguageMapping(lang) {
    const mapping = {
        'zh-CN': '中文',
        'en-US': 'English',
        'ja': '日本語',
        'ko': '한국어',
        'es-ES': 'Español',
        'pt-BR': 'Português',
        'fr': 'Français'
    };
    return mapping[lang] || '中文';
}

使用者聊天流程詳解

完整端到端流程

1. 前端訊息發送階段

使用者輸入處理：

使用者在AI側邊欄輸入訊息
系統獲取當前選中的流程和節點資訊
檢查配置節點狀態和部署狀態

關鍵字檢測與訊息預處理：

javascript

// 特殊關鍵字處理
if (sendMessage.includes('當前流程') || sendMessage.includes('current flow')) {
    // 自動切換到development場景
    currentScenario = 'development';
    
    // 構建get-flow工具呼叫提示詞
    const promptTemplate = "Please use the get-flow tool to retrieve flow data for flow args:{\"id\":\"{flowId}\"}, then analyze and explain the functionality, node connections, and working principles of this flow.\n\nUser's original request: {originalMessage}";
    sendMessage = promptTemplate.replace('{flowId}', selectedFlow.id).replace('{originalMessage}', sendMessage);
}

// 通用關鍵字檢測
const keywordDetected = await detectKeywords(sendMessage);
if (keywordDetected) {
    currentScenario = keywordDetected.scenario;
    sendMessage = keywordDetected.newHumanPrompt + sendMessage;
}

2. HTTP請求構造

javascript

const requestBody = {
    message: sendMessage,
    scenario: currentScenario,
    sessionId: sessionId,
    nodeId: nodeId,
    selectedFlow: selectedFlow,
    selectedNodes: selectedNodes,
    flowData: flowData,
    history: history,
    silent: silent,
    dynamicData: dynamicData,
    language: getCurrentLanguage()
};

3. 後端路由處理

請求接收 (make-iot-smart.js)：

javascript

RED.httpAdmin.post('/ai-sidebar/stream-chat', async (req, res) => {
    const { message, scenario, sessionId, nodeId, selectedFlow, selectedNodes, flowData, history, silent, dynamicData, language } = req.body;
    
    // 設定SSE響應標頭
    res.writeHead(200, {
        'Content-Type': 'text/event-stream',
        'Cache-Control': 'no-cache',
        'Connection': 'keep-alive'
    });
});

配置節點獲取：

javascript

const configNode = RED.nodes.getNode(nodeId);
if (!configNode) {
    return res.status(400).json({ error: 'Configuration node not found' });
}

語言和資料準備：

javascript

if (language) {
    langchainManager.setLanguage(language);
}

const options = {
    scenario: scenario || 'general',
    sessionId: sessionId || 'default',
    config: configNode.config || {},
    selectedFlow,
    selectedNodes,
    flowData,
    history: history || [],
    dynamicData: dynamicData || {}
};

4. LangChain管理器處理階段

場景檢測：

javascript

if (scenario && this.scenarios[scenario]) {
    return await this.executeScenarioChatStream(message, options, onChunk);
} else {
    return await this.executePureLLMChatStream(message, options, onChunk);
}

工具呼叫判斷：

直接工具觸發檢測：

javascript

const toolTrigger = this.detectToolTrigger(message);
if (toolTrigger) {
    // 直接執行工具
    return await this.executeToolDirectly(toolTrigger, options, onChunk);
}

關鍵字強制工具模式：

javascript

const shouldForceTools = await this.shouldForceToolMode(message, scenario, dynamicData);
if (shouldForceTools.shouldForce) {
    // 進入工具呼叫模式
    return await this.executeToolMode(shouldForceTools, message, options, onChunk);
}

多語言意圖檢測：

分層檢測策略

優先級順序：

精確匹配：配置檔案中的查詢關鍵字（排除查詢請求）
配置驅動：當前語言配置檔案中的意圖模式
正則匹配：硬編碼的多語言正則表達式
語義分析：使用LangChain進行深度語義理解

檢測流程：

javascript

// 1. 精確匹配檢查
const isQueryKeyword = this.isExactQueryKeywordMatch(input);
if (isQueryKeyword) {
    return { isFlowCreation: false, reason: 'Query keyword detected' };
}

// 2. 配置驅動檢測
const configResult = this.detectConfigDrivenIntent(input);

// 3. 增強正則檢測
const regexResult = this.detectEnhancedRegexPatterns(input);

// 4. 語義分析（可選）
const semanticResult = await this.detectSemanticIntent(input);

// 綜合評分
const finalConfidence = this.calculateCombinedScore({
    configDriven: configResult,
    enhancedRegex: regexResult,
    semantic: semanticResult
});

4. 執行模式選擇

純LLM模式：

獲取會話上下文
構建場景提示詞
直接呼叫LLM生成響應

工具呼叫模式：

確定工具類型（內建 vs MCP）
執行工具呼叫
合併工具結果
構建解釋性提示詞
呼叫LLM生成自然語言解釋

6. 工具呼叫執行階段

可用工具類型：

內建工具：
- get-flow: 直接存取 global.RED.nodes.getFlows()
- get-node-info: 直接存取 global.RED.nodes
- search_memory: 記憶搜尋
- get_user_preferences: 使用者偏好
MCP工具：
- get-settings: Node-RED設定
- get-diagnostics: 診斷資訊
- 其他擴展工具

工具執行流程：

javascript

if (toolTrigger.directExecution) {
    let result;
    
    if (toolName === 'get-node-info') {
        // 內建工具：直接執行
        const nodeIds = this.extractNodeIds(message) || dynamicData?.selectedNodes?.map(n => n.id) || [];
        const nodeInfo = this.getNodeInfoDirect(nodeIds);
        result = JSON.stringify(nodeInfo, null, 2);
    } else {
        // MCP工具：透過MCP客戶端執行
        result = await this.mcpClient.callTool(toolName, mcpArgs);
    }
    
    // 發送工具結果
    onChunk({ type: 'tool_result', tool: toolName, result });
    
    // 構建解釋性提示詞
    const explanationPrompt = `請根據以下資訊回答使用者的問題：\n\n使用者請求：${userMessage}\n\n工具執行結果：\n${result}\n\n請用${this.getLanguageMapping(this.language)}對以上Node-RED流程資料進行專業分析和解釋...`;
    
    // 呼叫LLM生成解釋
    return await this.executePureLLMChatStream(explanationPrompt, options, onChunk);
}

特殊工具處理：

get-flow工具：

javascript

if (toolName === 'get-flow') {
    mcpArgs = {
        id: toolTrigger.args?.id || dynamicData?.flowId
    };
}

get-settings和get-diagnostics工具：

javascript

if (['get-settings', 'get-diagnostics'].includes(toolName)) {
    mcpArgs = {}; // 無需參數
}

7. 串流響應處理階段

事件類型：

token: 文字內容片段
tool_call: 工具呼叫資訊
tool_result: 工具執行結果
error: 錯誤資訊
done: 響應完成

資料流向：

javascript

// 後端發送
onChunk({ type: 'token', content: '部分響應內容' });
onChunk({ type: 'tool_call', tool: 'get-flow', params: { id: 'flow-id' } });
onChunk({ type: 'tool_result', tool: 'get-flow', result: '{...}' });
onChunk({ type: 'done' });

// 前端接收
eventSource.onmessage = function(event) {
    const data = JSON.parse(event.data);
    
    switch(data.type) {
        case 'token':
            appendToCurrentMessage(data.content);
            break;
        case 'tool_call':
            showToolCall(data.tool, data.params);
            break;
        case 'tool_result':
            showToolResult(data.tool, data.result);
            break;
        case 'done':
            finalizeMessage();
            break;
    }
};

前端串流處理：

javascript

function appendToCurrentMessage(content) {
    if (currentMessageElement) {
        currentMessageElement.innerHTML += content;
        // 滾動到底部
        chatContainer.scrollTop = chatContainer.scrollHeight;
    }
}

8. 記憶管理

對話保存：

javascript

// 保存使用者訊息
await this.memoryManager.saveToShortTermMemory(
    sessionId,
    'human',
    originalMessage,
    { scenario, selectedFlow, selectedNodes }
);

// 保存AI響應
await this.memoryManager.saveToShortTermMemory(
    sessionId,
    'ai',
    fullResponse,
    { tools_used: toolsUsed, language: this.language }
);

會話上下文管理：

javascript

const conversationHistory = await this.memoryManager.getConversationHistory(sessionId, 10);
const messages = conversationHistory.map(entry => ({
    role: entry.message_type === 'human' ? 'user' : 'assistant',
    content: entry.content
}));

記憶檢索：

javascript

const searchResults = await this.memoryManager.searchMemory(query, {
    category: 'flow_templates',
    limit: 5
});

9. 錯誤處理和容錯機制

API認證錯誤：

javascript

try {
    const response = await llm.invoke(messages);
} catch (error) {
    if (error.message.includes('API key')) {
        onChunk({ type: 'error', message: 'API金鑰無效，請檢查配置' });
    }
}

網路錯誤：

javascript

try {
    const result = await this.mcpClient.callTool(toolName, args);
} catch (error) {
    onChunk({ type: 'error', message: `工具呼叫失敗: ${error.message}` });
    // 降級到純LLM模式
    return await this.executePureLLMChatStream(message, options, onChunk);
}

工具呼叫錯誤：

javascript

if (!result || result.error) {
    onChunk({ 
        type: 'error', 
        message: `工具 ${toolName} 執行失敗: ${result?.error || '未知錯誤'}` 
    });
    return;
}

10. 效能最佳化

快取機制：

javascript

// LLM實例快取
getLLM(provider, model, config) {
    const cacheKey = `${provider}-${model}-${JSON.stringify(config)}`;
    if (this.llmInstances.has(cacheKey)) {
        return this.llmInstances.get(cacheKey);
    }
    // 建立新實例並快取
}

串流處理：

javascript

// 使用串流API減少延遲
const stream = await llm.stream(messages);
for await (const chunk of stream) {
    onChunk({ type: 'token', content: chunk.content });
}

非同步處理：

javascript

// 並行處理多個工具呼叫
const toolPromises = tools.map(tool => this.executeTool(tool));
const results = await Promise.allSettled(toolPromises);

11. 多語言支援

場景配置：

每種語言都有獨立的 scenarios.json 配置檔案
支援語言特定的關鍵字和提示詞
自動語言檢測和切換

介面本地化：

javascript

// 獲取本地化文字
function _(key) {
    const lang = getCurrentLanguage();
    return RED._(key, { lang });
}

12. 安全考慮

輸入驗證：

javascript

// 訊息長度限制
if (message.length > 10000) {
    return res.status(400).json({ error: '訊息過長' });
}

// 敏感資訊過濾
const sanitizedMessage = message.replace(/api[_-]?key|password|token/gi, '[REDACTED]');

API金鑰保護：

javascript

// 配置節點中的金鑰加密儲存
const encryptedKey = RED.util.encryptCredentials(apiKey);

// 執行時解密
const apiKey = RED.util.decryptCredentials(configNode.credentials).apiKey;

存取控制：

javascript

// 檢查使用者權限
if (!RED.auth.needsPermission('flows.write')) {
    return res.status(403).json({ error: '權限不足' });
}

總結

整個端到端流程實現了從使用者輸入到AI響應的完整鏈路，透過前端關鍵字檢測、後端工具呼叫和串流響應處理，為使用者提供了智慧化的Node-RED開發支援。系統具有以下特點：

智慧化：自動檢測使用者意圖，選擇合適的工具和場景
多語言：支援多種語言的關鍵字檢測和響應生成
可擴展：模組化設計，易於新增新工具和場景
高效能：串流處理、快取機制、非同步執行
安全性：輸入驗證、金鑰保護、權限控制
使用者友好：即時響應、錯誤處理、上下文感知

API 介面文件

RESTful API 端點

POST /ai-sidebar/stream-chat       # 串流聊天
GET  /ai-sidebar/scenarios         # 獲取場景配置
POST /ai-sidebar/execute-tool      # 執行工具
GET  /ai-sidebar/memory-stats      # 記憶統計
GET  /ai-sidebar/history/:sessionId # 會話歷史
POST /ai-sidebar/search            # 記憶搜尋
GET  /ai-sidebar/templates         # 流程範本

請求/響應格式

串流聊天請求：

json

{
  "message": "使用者訊息",
  "scenario": "development",
  "sessionId": "session-uuid",
  "nodeId": "config-node-id",
  "selectedFlow": {
    "id": "flow-id",
    "label": "Flow Name"
  },
  "selectedNodes": [
    {
      "id": "node-id",
      "type": "inject",
      "name": "Node Name"
    }
  ],
  "dynamicData": {
    "flowId": "flow-id"
  },
  "language": "zh-TW"
}

串流響應格式：

data: {"type": "token", "content": "部分"}
data: {"type": "token", "content": "響應"}
data: {"type": "tool_call", "tool": "get-flow", "params": {"id": "flow-id"}}
data: {"type": "tool_result", "tool": "get-flow", "result": "{...}"}
data: {"type": "done"}

配置管理

環境變數

bash

# AI提供商配置
OPENAI_API_KEY=your_openai_key
ANTHROPIC_API_KEY=your_anthropic_key
GOOGLE_API_KEY=your_google_key
DEEPSEEK_API_KEY=your_deepseek_key

# 資料庫配置
MEMORY_DB_PATH=./data/memory.db
MEMORY_RETENTION_DAYS=30

# MCP配置
MCP_TOOLS_ENABLED=true
MCP_SERVER_PATH=./mcp-server

Node-RED 配置節點

javascript

{
  "provider": "openai",
  "model": "gpt-4",
  "apiKey": "encrypted_key",
  "temperature": 0.7,
  "maxTokens": 4000,
  "enableMemory": true,
  "enableTools": true,
  "scenarios": ["learning", "solution", "development"]
}

擴展開發

新增新的LLM提供商

javascript

// 在 langchain-manager.js 中新增
case 'custom':
    const { CustomLLM } = await import('@custom/langchain');
    llm = new CustomLLM({
        apiKey: config.apiKey,
        model: config.model,
        temperature: config.temperature
    });
    break;

新增新的內建工具

javascript

// 在 initializeTools 方法中新增
const customTool = new DynamicTool({
    name: "custom_tool",
    description: "自訂工具描述",
    func: async (input) => {
        // 工具實現邏輯
        return result;
    }
});

this.tools.set('custom_tool', customTool);

新增新的場景配置

在 locales/{lang}/scenarios.json 中新增：

json

{
  "scenarios": {
    "custom_scenario": {
      "name": "自訂場景",
      "description": "場景描述",
      "systemPrompt": "你是一個專業的...",
      "tools": ["tool1", "tool2"],
      "keywords": [
        {
          "key": ["關鍵字1", "關鍵字2"],
          "scenario": "custom_scenario",
          "newHumanPrompt": "請使用工具...\n\n使用者原始請求："
        }
      ]
    }
  }
}

故障排除

常見問題

工具呼叫失敗
- 檢查MCP伺服器狀態
- 驗證工具參數格式
- 查看錯誤日誌
關鍵字檢測不工作
- 確認場景配置檔案存在
- 檢查關鍵字大小寫
- 驗證語言設定
串流響應中斷
- 檢查網路連線
- 驗證API金鑰
- 查看瀏覽器控制台錯誤

除錯模式

bash

# 啟用詳細日誌
DEBUG=langchain:*,mcp:* node-red

# 啟用工具呼叫日誌
TOOL_DEBUG=true node-red

效能最佳化建議

快取策略
- LLM實例快取
- 場景配置快取
- 工具結果快取
並發控制
- 限制同時進行的對話數量
- 工具呼叫佇列管理
- 資源使用監控
記憶體管理
- 定期清理過期會話
- 限制歷史記錄長度
- 監控記憶體使用情況

本文件基於實際程式碼實現編寫，隨專案更新而持續維護

LangChain 架構文件 ​

🌐 語言 ​

概述 ​

整體架構圖 ​

端到端流程概述 ​

流程圖 ​

核心元件詳解 ​

1. 前端關鍵字檢測系統 ​

配置來源 ​

檢測邏輯 ​

特殊關鍵字處理 ​

2. LangChain Manager (lib/langchain-manager.js) ​

核心職責 ​

主要方法 ​

工具觸發檢測機制 ​

3. 工具管理系統 ​

工具分類 ​

工具選擇邏輯 ​

4. 記憶管理系統 (lib/memory-manager.js) ​

資料庫結構 ​

記憶檢索機制 ​

5. 多語言支援系統 ​

配置結構 ​

語言指定機制 ​

使用者聊天流程詳解 ​

完整端到端流程 ​

1. 前端訊息發送階段 ​

2. HTTP請求構造 ​

3. 後端路由處理 ​

4. LangChain管理器處理階段 ​

4. 執行模式選擇 ​

6. 工具呼叫執行階段 ​

7. 串流響應處理階段 ​

8. 記憶管理 ​

9. 錯誤處理和容錯機制 ​

10. 效能最佳化 ​

11. 多語言支援 ​

12. 安全考慮 ​

總結 ​

API 介面文件 ​

RESTful API 端點 ​

請求/響應格式 ​

配置管理 ​

環境變數 ​

Node-RED 配置節點 ​

擴展開發 ​

新增新的LLM提供商 ​

新增新的內建工具 ​

新增新的場景配置 ​

故障排除 ​

常見問題 ​

除錯模式 ​

效能最佳化建議 ​

LangChain 架構文件

🌐 語言

概述

整體架構圖

端到端流程概述

流程圖

核心元件詳解

1. 前端關鍵字檢測系統

配置來源

檢測邏輯

特殊關鍵字處理

2. LangChain Manager (`lib/langchain-manager.js`)

核心職責

主要方法

工具觸發檢測機制

3. 工具管理系統

工具分類

工具選擇邏輯

4. 記憶管理系統 (`lib/memory-manager.js`)

資料庫結構

記憶檢索機制

5. 多語言支援系統

配置結構

語言指定機制

使用者聊天流程詳解

完整端到端流程

1. 前端訊息發送階段

2. HTTP請求構造

3. 後端路由處理

4. LangChain管理器處理階段

4. 執行模式選擇

6. 工具呼叫執行階段

7. 串流響應處理階段

8. 記憶管理

9. 錯誤處理和容錯機制

10. 效能最佳化

11. 多語言支援

12. 安全考慮

總結

API 介面文件

RESTful API 端點

請求/響應格式

配置管理

環境變數

Node-RED 配置節點

擴展開發

新增新的LLM提供商

新增新的內建工具

新增新的場景配置

故障排除

常見問題

除錯模式

效能最佳化建議