常见问题¶

Rein 和 LangChain 有什么不同?¶

定位不同:LangChain 是「大而全的生态」,Rein 是「极薄的单-agent harness」。落到多轮会话封装上,差别很典型:

LangChain 内置几十种现成的会话存储后端、自动注入/回写历史 —— 开箱即用、生态厚。 Rein 用一个可序列化的 Session + 只有 save/load 的 SessionStore —— 极薄、透明、状态完整,但数据库后端要自己写几行。

LangChain 的会话封装(演进过三代)¶

Memory 类(早期,已弃用):ConversationBufferMemory 等,挂在 Chain 上自动管历史。
RunnableWithMessageHistory(LCEL):配 get_session_history(session_id) 回调,内置 RedisChatMessageHistory / SQLChatMessageHistory / Postgres / Mongo… 一堆。
LangGraph checkpointer(现在主推):SqliteSaver / PostgresSaver 按 thread_id 持久化整个 graph state。

# LangChain:内置后端,一行就用,历史自动注入/回写(你看不见也不用管)
chain_with_history = RunnableWithMessageHistory(
    chain, lambda sid: RedisChatMessageHistory(sid, url="redis://..."),
    input_messages_key="input", history_messages_key="history",
)

Rein 的会话封装¶

# Rein:显式 读 → 跑 → 写;store 接数据库自己写几行
chat = agent.chat(session=store.load("u42"))
result = chat.send("你好")
store.save("u42", chat.session)

对比¶

维度	LangChain	Rein
内置存储后端	几十种(Redis/Postgres/Mongo/DynamoDB…)开箱即用	只 Memory/File;数据库自己写几行
抽象层数	多,演进三代(Memory→LCEL→LangGraph),易踩弃用/版本坑	一个 `Session` + `save/load`
会话存什么	早期只存消息历史;LangGraph 才存整个 state	存整个运行状态(消息+阶段+待办工具+用量+熔断)
控制粒度	自动注入/回写(方便但黑盒)	显式 load→run→save,状态全透明可序列化
依赖	重(core + 各 integration 包)	核心只 pydantic+anyio

一个深层差异¶

LangChain 早期的 message history 只存一串消息。Rein 的 Session 存的是整个运行状态 —— 包括「工具执行到哪、有哪些待批准的工具、熔断计数」。

所以在 Rein 里,「多轮会话」和「HITL 审批 / 断点续跑」是同一套机制:一个危险操作审批到一半,把 Session 存数据库,关机,改天读回来 resume 接着跑。这是「可序列化单步状态机」地基带来的 —— 会话状态本来就完整、可断点。

怎么选(客观)¶

要开箱即用、要现成的几十种存储后端、不在乎依赖重 → LangChain 生态是真优势。
要极薄/可控/透明、会话状态完整可断点、接什么数据库自己说了算 → Rein。

多轮会话到底怎么做?¶

会话的本体是 Session(不是 Chat)。Chat 只是个方便句柄;Session 能 model_dump_json() 存、model_validate_json() 还原。

单进程 / 脚本 → agent.chat() 内存版,最省事。
持久化 / 企业级 Web 服务 → agent.chat(session=...) + 你的 SessionStore:

def handle(conv_id, user_msg):
    chat = agent.chat(session=store.load(conv_id))   # 从库读(没有=新会话)
    result = chat.send(user_msg)
    store.save(conv_id, chat.session)                # 写回库
    return result.output

一个 Agent 实例无状态、并发服务所有用户。详见人工审批与断点续跑与持久化参考。

会话能存数据库吗?¶

能。Session 就是一段 JSON,存哪都行 —— SQLite / PostgreSQL / MySQL / Redis / MongoDB 都可以。框架对数据库零依赖、零绑定,你只要实现 SessionStore 的 save / load 两个方法。完整范例(含 SQLite / Postgres / Redis)见持久化参考 · 存数据库。

怎么接知识库(RAG)?¶

框架不内置向量库/embedding(极薄),但接法很自然,两种姿势:

检索即工具(推荐,agentic):@agent.tool def search_kb(query),模型自己决定何时检索。
@agent.before_model 钩子:每轮自动检索并注入上下文。

向量库/embedding 用你自己的(chroma / pgvector / qdrant…)。详见中间件与扩展与写工具。

能做多 agent / AtoA 协作吗?¶

能,但方式是「组合」而非「内置编排」。Rein 是单-agent harness,不内置 CrewAI/AutoGen/LangGraph 那种编排引擎,但:

同进程协作 → 用 agent 即工具:委派 / 流水线 / asyncio.gather 并行。
跨进程 / 跨框架 → 把 agent 暴露成 A2A 服务(serve_a2a 一行),别人能发现+调用你,你也能反向调别人的 A2A agent。

每个子 agent 仍是完整 Rein agent(各自有熔断/审批/恢复/可观测)。复杂 agent 网络(动态路由、群聊)则建议用专门框架。详见多 agent 协作。

什么时候该用 Rein?¶

适合:单 agent 的工具型应用、要可控/可观测/可恢复的生产部署、在乎依赖轻、想要透明可断点的会话状态。

不适合:需要多 agent 编排、需要现成的 RAG / 文档加载大生态、想要开箱即用的几十种集成 —— 那些场景 LangChain / LlamaIndex 的生态更省事。