LangChain

LangChain 和 LangGraph 是什麼關係？什麼時候需要從 LangChain 升級到 LangGraph？

LangChain 是基礎框架，提供 Tool Use、記憶、RAG 等基本功能；LangGraph 是建構在 LangChain 上的多 Agent 工作流框架，用有向圖（DAG）定義 Agent 的執行流程。兩者是補充而不是替代。

只用 LangChain 就夠的場景：單一 Agent 執行線性任務（查詢數據 → 推理 → 輸出結論）；任務的執行路徑相對固定，不需要複雜的條件分支；你需要快速原型，LangChain 的基礎 Agent 介面更簡單。

需要 LangGraph 的場景：你需要多個 Agent 協作（Orchestrator + Sub-agents）；執行路徑需要根據中間結果動態決定（「如果風險評估結果是高風險，執行路徑 A；如果是低風險，執行路徑 B」）；你需要循環執行直到特定條件滿足（例如 ReAct 迴圈的完整狀態管理）；以及你需要對 Agent 執行流程做可視化監控和調試。

對加密 Agent 的建議：DeFi 數據分析的簡單查詢 Agent 用基礎 LangChain 夠了；涉及多步決策（分析 → 風險評估 → 執行）或多 Agent 協作的複雜策略 Agent 用 LangGraph，它讓執行路徑清晰可控，事後審計也更容易。

LangChain 的 RAG（檢索增強生成）怎麼用在加密場景？有哪些實際的應用？

RAG 是讓 LLM 在回答問題前先「查閱」相關文件或數據的技術——讓 Agent 不只依賴訓練資料，還能即時引用外部知識庫。在加密場景，RAG 的應用主要有兩個方向：

協議文件 RAG：把各個 DeFi 協議的技術文件、白皮書、治理提案存入向量數據庫，讓 Agent 在需要理解某個協議的規則或機制時，自動檢索相關文件段落。例如，Agent 需要了解 Aave v3 的清算參數，它不依賴訓練資料（可能過時），而是即時查詢你維護的 Aave v3 文件庫。

市場分析 RAG：把每日的市場分析報告、鏈上指標摘要、宏觀經濟數據存入向量數據庫，讓 Agent 在做策略判斷時，自動引用最近的市場背景資料。這讓 Agent 的判斷有「近期市場記憶」，不只是看即時的價格數字。

設計提醒：RAG 引入的外部資料如果本身有錯誤或過時，會直接影響 Agent 的判斷品質。建立 RAG 系統時，需要設計資料更新機制（多久刷新一次向量數據庫）和資料來源可信度評估（不是所有網路文章都適合作為 Agent 的決策參考）。

LangChain 在加密 Agent 開發中有什麼常見的陷阱？初學者最容易踩的錯誤是什麼？

幾個在加密 Agent 開發中反覆出現的 LangChain 陷阱：

第一，工具描述不夠精確導致 Agent 調用錯工具。LangChain 的 @tool 裝飾器要求你寫一個函數 docstring（說明文字），這個說明文字直接影響 LLM 的工具選擇決策。「查詢加密貨幣價格」和「查詢指定代幣的現貨美元價格，支援 BTC、ETH、SOL 等主流代幣，回傳數字格式」——後者讓 LLM 清楚知道什麼時候調用這個工具，錯誤調用率大幅降低。

第二，忘記設定 max_iterations 導致無限迴圈燒光 API 預算。LangChain 的 Agent 預設沒有迴圈次數限制，如果任務設計不良，Agent 可能陷入「我還需要更多資訊」的迴圈。初學者應該在每個 Agent 初始化時就設定 max_iterations=10。

第三，把所有工具都傳給每個 LLM 呼叫。如果你有 15 個工具，每次呼叫都把 15 個工具的 schema 都帶進去，Token 消耗可能比需要的多 30-50%。LangGraph 允許你在不同的執行節點分配不同的工具子集，這個優化在大型 Agent 系統裡很重要。

第四，沒有加入寫入工具的安全驗證。在加密場景，sign_transaction 這類寫入工具必須在 @tool 函數內加入參數驗證（金額上限、地址白名單）。不能只靠「在系統提示裡告訴 LLM 不要做 X」——那個提示可能被 Prompt Injection 繞過，但在 Python 函數裡的驗證邏輯不能被 LLM 的推理覆蓋。

LangChain 和 LangSmith 是什麼關係？在加密 Agent 的生產環境部署中，LangSmith 有必要嗎？

LangSmith 是 LangChain 生態系統的可觀測性和監控平台——可以理解為「LangChain Agent 的 DataDog」。它記錄每次 Agent 運行的完整軌跡（每個 LLM 呼叫的 input/output/Token 用量、工具調用記錄、執行時間、錯誤日誌），並提供視覺化的調試界面和性能分析。

LangSmith 對加密 Agent 的價值：在生產環境，你需要知道 Agent 做了什麼決策、為什麼這麼做、用了多少資源。LangSmith 讓這個可見度大幅提升。在出現問題時（例如 Agent 做了一筆你不理解的交易），LangSmith 的軌跡記錄讓你能快速找到根本原因——是哪個工具回傳了異常數據、LLM 在哪個推理步驟出了錯。

是否有必要：對於測試和早期部署，LangChain 內建的 verbose 模式（輸出到控制台）加上自己寫的日誌邏輯就夠了，不一定需要付費的 LangSmith。對於生產環境、有真實資金在操作的 Agent，LangSmith 的完整可觀測性是值得的投入——它提供的快速問題定位能力，可以在 Agent 出問題時幫助你快速限制損失。LangSmith 有免費層（每月一定額度的追蹤記錄），小規模部署可以先用免費層評估是否需要升級。