LangChain 1 基础概念

  • 定位: 开源 Python AI 应用开发框架。
  • 核心: 基于大型语言模型，提供模块和工具，简化与 LLM 的集成。
  • 支持模型: OpenAI 的 GPT 系列、Claude 3.5、千问模型等主流大语言模型。
  • 能力: 支持文本生成、问答、翻译、对话等任务。
  • 解决问题: 降低 AI 应用开发的门槛，使开发者能轻松构建创意 AI 应用。

1. LangChain 特性总结

  1. LLM 和提示（Prompt）

    • 提供统一的 API 抽象，兼容各种 LLM（如 OpenAI, Anthropic 等），统一访问方式。。
    • 内建 Prompt 模板管理机制，简化提示编写流程。

  2. Chains (链式调用)

    • 复杂任务可拆分为多步模块，链式串联。
    • 场景如：上下文问答、自动SQL生成、流水线式处理。
    • 支持将多个调用（LLM、工具等）连接起来，形成工作流，按顺序执行。

  3. LCEL（LangChain Expression Language）

    • LangChain 新版本的核心特性。
    • 用来灵活地自定义任务处理流程，解决工作流编排问题。
    • 写法类似声明式语言，通过表达式定义链（Chain）。

  4. RAG（数据增强生成）

    • LLM 本身不知道“新知识”，RAG 模式通过外部信息检索提升回答质量（推理）。
    • 一种内容增强技术，用于解决 LLM 知识的静态性问题（数据截止日期）。
    • 关键步骤：
      • 先“检索”外部数据（如 PDF/数据库）
      • 再“生成”内容（LLM）
    • 全称：Retrieval-Augmented Generation
    • 与微调对比: RAG 用于内容增强；微调用于改变模型回答方式、语气（如客服机器人）。

  5. Agents（智能代理）

    • LLM 主动调用工具/API 的高级玩法。
    • 根据用户需求，自动调用外部系统或设备来完成任务。
    • 示例: 用户只需说“明天请假一天”，Agent 即可自动调用内部 OA 系统完成请假流程。
    • LangChain 在 Agent 开发方面提供了丰富的组件和库（如 LangGraph）。

  6. Model Memory (模型记忆):

    • 允许 LLM 记住之前的对话内容。
    • 提供存储功能：
      • 内存存储: 临时记忆，程序重启后丢失。
      • 持久化存储: 需要数据库（如 MongoDB, Redis）来保存对话历史。

2. LangChain 框架结构

  • LangChain 库：Python 和 JavaScript 的核心库，提供接口和集成多种组件：

    • langchain-core：基础抽象和 LangChain 表达语言。
    • langchain-community：第三方集成，主要包括 langchain 集成的第三方组件。
    • langchain：主要包括链（chain）、代理（agent）和检索策略。

  • Templates（模板）：LangChain 官方提供的 AI 任务模板库，帮助开发者快速启动和搭建项目。

  • LangServe：基于 FastAPI，可以将 LangChain 定义的链（Chain）发布为 RESTful API 服务，方便外部系统调用。

  • LangSmith：云端开发平台，为 LangChain 应用提供可观测性（Observability），支持链路追踪、监控和调试，助力开发和运维。

  • LangChain

    • Chains: 链式调用。将模型、提示、工具等组件串成多步任务流。
    • Agents: 智能体框架，能动态选择工具和决策路径完成复杂任务。
    • Retrieval: 文本检索和文档相关功能（如向量数据库查询），现在更常单独拆分为“Retrieval组件”。

  • LangChain-Community:

    • Model I/O:
      • LLMs: 主流大模型的 API 封装（如 OpenAI、Anthropic、Hugging Face 等）。
      • Chat Models: 专为多轮对话设计，支持消息结构和函数调用。
      • Prompt Templates: 管理和格式化提示词模板。
      • Output Parsers: 格式化 LLM 输出（如 Markdown 转 J SON）。
      • Example Selectors: 在调用时提供示例。
    • Retrieval:
      • Document Loaders: 加载各种格式的文档（PDF, TXT, Markdown）。
      • Text Splitters: 分割长文本。
      • Embeddings: 将文本转换为向量（调用 LLM 能力实现）。
      • Vector Stores: 存储和检索向量（支持 Chroma, FAISS 等）。
    • Agent Tooling:
      • Tools: Agent 可调用的外部工具（API）。
      • Agent Executors: 协调 Agent 逻辑。

  • LangChain-Core (LangChain Expression Language, LCEL):

    • 作用：提供一套表达式语言，让你用声明式方式组合各种方法、接口和模块。
    • 核心能力：
      • 方法执行：轻松定义任务/方法的执行流程。
      • 接口调用：统一管理不同模型或服务的 API 调用。
      • 并行 (Parallelization)：支持任务并发处理，提升效率。
      • 批量处理 (Batching/Fallbacks)：支持批量任务、出错时自动降级回退。
      • 流式 (Streaming)：支持流式数据处理，比如流式输出LLM生成内容。
      • 异步调用 (Async)：支持异步执行，提升响应速度。
      • 组合 (Composition)：任意拼装/嵌套不同组件，实现复杂流程。
      • 追踪 (Tracing)：内置调用链路追踪，方便调试和监控。

  • LangChain 的常见应用场景

    • 对话机器人: 构建智能对话助手、客服机器人、聊天机器人。
    • 知识库管理: 实现 RAG 场景，结合知识图谱进行开放域问答。
    • 智能写作: 用于写文章、创意写作、文本摘要等。

3. Model I/O 流程示例

  1. Format（格式化）
    • 使用 Prompts（提示词工具），把变量（如 x="foo", y="bar"）填充到模板（如“Does {x} like {y}, and why?”）中，生成具体的问题：“Does foo like bar, and why?”
  2. Predict（预测）
    • 把格式化后的提示词输入到 模型：
      • LLM（基础模型）：接收文本输入，返回文本输出。
      • Chat Models（聊天模型）：专为多轮消息交互设计，支持输入多条消息（用户、AI、系统、函数等），输出聊天消息。
  3. Parse（解析）
    • 利用 Output Parsers（输出解析器），将 LLM 返回的原始输出（如自然语言、Markdown）解析为结构化数据（如 JSON），便于后续处理或调用。

4. LangChain 实战入门（以 OpenAI 为例）

  1. 环境准备: Python 环境。

  2. 安装:

    1
    2
    3
    pip install langchain
    pip install langchain-openai
    pip install langchain-community

  3. 导入库:

    • ChatPromptTemplate (用于聊天场景的提示词模板)。
    • ChatOpenAI (用于与 OpenAI 的 Chat 模型交互)。
    • StrOutputParser (用于将输出解析为字符串，或自定义解析器如 JSON）。

  4. 配置环境变量: 设置 OPENAI_API_KEY。

  5. 实例化 LLM: llm = ChatOpenAI(model="gpt-3.5-turbo") (或其他模型)。

  6. 定义提示词模板: 使用 ChatPromptTemplate.from_messages()，例如：

    • System + Message (定义角色，如“世界级技术专家”)
    • Human + Message (用户输入，可带参数)。

  7. 构建 Chain: 使用 | 将提示词模板和 LLM 连接起来：chain = prompt | llm。

  8. 执行 Chain: 调用 chain.invoke({"input": "你的问题"})。

  9. 格式化输出: 在 Chain 中加入 Output Parser，如 chain = prompt | llm | StrOutputParser，先调用chain的同时把用户写的input 回填到prompt的input中然后调用llm，最后调用StrOutputParser 格式化输出（只有纯文本）。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
# 导入 LangChain 的聊天提示词模板
from langchain_core.prompts import ChatPromptTemplate

# 导入 LangChain 的 OpenAI 聊天模型封装
from langchain_openai import ChatOpenAI

# 1. 初始化 LLM（以 OpenAI GPT-3.5/4 为例）
llm = ChatOpenAI()  # 需要提前配置 OpenAI API 密钥

# 2. 创建一个聊天提示词模板，包含 system 角色和 user 角色
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是世界级的技术专家。"),
    ("user", "{input}"),  # {input} 是模板变量
])

# 3. 将 prompt 和 llm 组合成一个 chain（链式调用，自动拼装输入和输出）

chain = prompt | llm

# 4. 调用 chain，传入用户实际输入（这里要求生成一篇关于 AI 的技术短文）
result = chain.invoke({
    "input": "帮我写一篇关于AI的技术文章，100个字"
})

# 5. 打印 LLM 返回的结果
print(result)

# 输出格式：content: ‘xxxxxx’

LangChain 输出解析器（Output Parser）用法

LLM 的原始输出通常是一条消息对象。为了方便后续处理，可以用输出解析器将其转为字符串、JSON 或其它结构化数据。

  • 代码示例： 
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    from langchain_core.output_parsers import StrOutputParser

    # 创建一个字符串输出解析器
    output_parser = StrOutputParser()

    # 将输出解析器串联进链（Prompt | LLM | OutputParser）
    chain = prompt | llm | output_parser

    # 调用链并传入输入，得到字符串输出
    result = chain.invoke({"input": "帮我写一篇 langchain 的技术文章，100 个字"})
    print(result)

    # 输出格式：‘xxxxxx’

核心说明：

  • StrOutputParser() 负责把 LLM 输出的消息对象转为纯字符串，适合直接打印或写入文件。
  • 你可以在链式工作流中，随时追加不同类型的 Output Parser，得到自己想要的数据格式。
  • 实际开发中，如果需要结构化数据（如 JSON），可用 JsonOutputParser() 或自定义解析器。

参考资料

“觉得不错的话，给点打赏吧 ୧(๑•̀⌄•́๑)૭”

微信二维码

微信支付

支付宝二维码

支付宝支付

LLMs
#LLM #RAG #AI #LangChain #Framework #Agent #LCEL #Chain
LangChain 1 基础概念
http://neurowave.tech/2025/06/25/2-10-LLM-Langchain1/
作者
Artin Tan
发布于
2025年6月25日
更新于
2025年8月6日