你 import 的包                    里面的东西
├── langchain_core        ← 抽象基类 + 统一协议（29 个模块）
├── langchain-anthropic   ← ChatAnthropic（智谱/Claude 的实现）
├── langchain-openai      ← ChatOpenAI（DeepSeek/通义的实现）
├── langchain-chroma      ← Chroma（向量库的实现）
└── langgraph             ← 编排框架（状态图、checkpointer）

① 消息与提示（对话的"信"）    messages, prompts, prompt_values
② 模型与解析（对话的"脑子"）  language_models, output_parsers, embeddings
③ 数据与检索（对话的"资料"）  documents, document_loaders, retrievers, vectorstores, cross_encoders
④ 组合与编排（对话的"流水线"）runnables, outputs, load, tools, agents
⑤ 基础设施（对话的"后勤"）    callbacks, tracers, utils, chat_history, stores,
                              caches, example_selectors, indexing, rate_limiters,
                              chat_loaders, chat_sessions, structured_query, exceptions

⭐ 必须掌握（天天用）：
   messages / prompts / language_models / embeddings / documents /
   retrievers / vectorstores / runnables / tools / output_parsers

✅ 进阶必知（生产才用）：
   callbacks（观测）/ exceptions（排错）/ chat_history（记忆对照）

💡 知道即可（课程用不上，但要知道为什么）：
   outputs / load / stores / caches / indexing / rate_limiters /
   example_selectors / cross_encoders / document_loaders /
   chat_loaders / chat_sessions / structured_query / prompt_values / utils / env

🗗 历史包袱（别学，认识就行）：
   agents（0.x 时代残留，create_agent 不用它）

from langchain_core.messages import HumanMessage, SystemMessage, AIMessage, ToolMessage, ToolCall

BaseMessage(content, additional_kwargs, response_metadata, type, name, id)  # 基类 6 字段
AIMessage(..., tool_calls, invalid_tool_calls, usage_metadata)              # 加 3 个 = 9 字段
ToolCall(name: str, args: dict, id: str | None, type="tool_call")           # 统一工具调用

from langchain_core.prompts import ChatPromptTemplate, PromptTemplate, MessagesPlaceholder

ChatPromptTemplate.from_messages(messages, template_format="f-string") -> ChatPromptTemplate
chat_prompt.invoke(input: dict, config=None) -> PromptValue    # .to_messages() → list[BaseMessage]
PromptTemplate.from_template(template: str, ...) -> PromptTemplate
MessagesPlaceholder(variable_name: str, optional=False, n_messages=None)

from langchain_core.language_models import BaseChatModel

BaseChatModel.invoke(input) -> AIMessage
BaseChatModel.stream(input) -> Iterator[AIMessageChunk]
BaseChatModel.bind_tools(tools) -> self
BaseChatModel.with_structured_output(schema) -> Runnable
# ChatAnthropic / ChatDeepSeek / ChatOpenAI 都继承它

StrOutputParser().parse(text: str) -> str
Embeddings.embed_query(text: str) -> list[float]
Embeddings.embed_documents(texts: list[str]) -> list[list[float]]
Document(page_content: str, metadata: dict, id: str | None)
BaseRetriever.invoke(query: str) -> list[Document]
VectorStore.similarity_search(query, k=4) -> list[Document]
VectorStore.as_retriever(search_kwargs={"k": 3}) -> VectorStoreRetriever

Runnable.invoke(input, config=None)      # 一切组件的统一调用入口
Runnable.stream(input)                   # 流式
a | b                                     # pipe：a 的输出接 b 的输入
RunnablePassthrough.assign(**kwargs)     # 输入 + 塞新键
RunnableLambda(func)                     # 普通函数 → Runnable

@tool  # 函数 → BaseTool（自动推断 args schema）
BaseTool.invoke(input: str | dict | ToolCall) -> Any
BaseCallbackHandler.on_llm_start/on_llm_end/on_tool_start/...  # 生命周期监听
LangChainException    # 所有 LangChain 异常的父类（catch 它不漏）