**本文用于在AI辅助及参考某技术博客上铺天盖地的、未经验证的AI文下快速入门langchain时的一些踩坑**

1.如果想展示Agent的具体流程包括模型的流式输出、工具调用判断则必须使用

AgentExecutor 的 astream() 方法默认情况下只会流式传输最终的 LLM 回复。 它不会在工具调用进行时中断并给你中间反馈。这意味着，如果 Agent 需要调用工具，它会先等待工具执行完毕，然后 LLM 生成最终回复时，才会开始流式输出。你不会在工具调用期间看到任何流式文本。
局限性： 对于 Agent 这种需要在工具调用过程中也给用户反馈的场景，astream() 就不够用了，因为它只提供最终的流式输出，缺乏中间步骤的可见性。stream（）同理。

然而AI们总喜欢幻觉出一个 stream_events
这并非langchain版本、环境所致，而是langchain根本就没有这个。参考有人去年提过一个issue：Runnables have `astream_events`, but no synchronous `stream_events` · Issue #21918 · langchain-ai/langchain

event (事件类型): 这是一个字符串，指示事件的类型，例如：
- on_chain_start, on_chain_end, on_chain_stream (链的开始/结束/流式输出)
- on_chat_model_start, on_chat_model_end, on_chat_model_stream (聊天模型的开始/结束/流式输出，通常是 LLM 生成 token)
- on_tool_start, on_tool_end (工具的开始/结束执行)
- on_retriever_start, on_retriever_end (检索器的开始/结束执行)
- on_llm_start, on_llm_end, on_llm_stream (底层 LLM 的开始/结束/流式输出)
- on_agent_action (Agent 决定执行某个动作，如调用工具)
- on_agent_finish (Agent 完成思考并准备给出最终答案)
- on_parser_start, on_parser_end (输出解析器的开始/结束)
run_id: 每次执行的唯一标识符。
name: 正在执行的 Runnable （见后文）的名称。
data: 包含事件的具体数据。这通常是最重要的部分，它根据事件类型而变化：
- 对于 on_chat_model_stream，data 会包含 chunk (LLM 生成的文本块)。
- 对于 on_tool_start，data 会包含 input (工具的输入参数)。
- 对于 on_tool_end，data 会包含 output (工具的输出结果)。

Runnable 接口： LangChain 将所有可执行的组件（如 LLM、PromptTemplate、Chain、Tool、AgentExecutor 等）都抽象为 Runnable。这意味着它们都共享一套标准的方法，包括：
- invoke(): 同步执行一次。
- ainvoke(): 异步执行一次。
- stream(): 同步流式传输最终结果（如果支持）。
- astream(): 异步流式传输最终结果（如果支持）。
- astream_events(): 异步流式传输执行过程中的所有事件。
- astream_log(): 异步流式传输结构化的执行日志。
- batch()/abatch(): 批量执行。
- with_types(): 强制输入输出类型。
- bind(): 绑定参数。
- pipe(): 链式调用。